正标记和未标记学习（Positive and unlabeled learning,PU学习）的研究是为了解决只有正标记样本和未标记样本可用的问题。以前针对该问题的研究大部分工作都是致力于从未标记的数据中识别负样本,因此主要是应用监督学习方法来构建分类器。但对剩余的未标记数据,要么将它们排除在学习阶段,要么强行将它们归属于某一类,这极大限制了PU学习算法的性能。此外,先前的PU方法一般都假设训练实例和测试实例具有同样的属性表示。但是总可以收集那些训练数据有但测试数据不具有的特征,这些特征被称为特权信息（privileged information,PI）。本文提出了一种基于相似权重的方法来解决具有特权信息的PU学习问题（A new method based on similarity approach for the problem of positive and unlabeled learning with privileged information,SPUPIL）,该方法主要分为两个步骤:首先,从未标记样本中提取可靠的负样本并采用K近邻分类（K-nearest neighbor classification,KNN）方法生成相似权重,然后,将相似权重和特权信息融合到基于排序支持向量机（Ranking support vector machine,Ranking SVM）的学习模型中,应用拉格朗日方法把原始问题转变为对偶问题,并对其求解之后得到一个更精确的分类器。真实数据集上的大量实验结果表明,SPUPIL算法的分类效果比现有的PU学习方法的分类效果更好。综上所述,本文在具有特权信息的PU学习问题上所做的主要贡献可以总结如下:1.针对具有特权信息的正标记和未标记学习问题,提出了一种新的基于Ranking SVM的SPUPIL模型。首先从未标记的例子中提取可靠的负例,然后用KNN方法计算一个样本对（Example Pair）对正类和负类的相似权重。此外,还通过将训练数据、相似权重和特权信息融合到学习阶段来扩展标准排序支持向量机。据我们所知,这是第一次研究带有特权信息的正标记和未标记学习的排序支持向量机模型,即首次将特权信息引入正实例和未标记实例学习中。此外,排序支持向量机不仅提供了SPUPIL方法的性能,还提供了实例在训练数据中的排序。2.为了求解本文提出的SPUPIL算法的目标方程,利用拉格朗日方法将初始问题转变为对偶问题,然后利用最优的拉格朗日因子来求解该问题。最后,能够得到带有特权信息的正标记和未标记学习的Ranking SVM分类器。因此,我们可以解决具有特权信息（仅训练期间可获得的信息）的PU学习问题。3.本文进行了一些实验来测试SPUPIL方法的性能。真实数据集上的大量实验结果证明SPUPIL算法比现有的PU学习算法具备更优的、更稳定的性能。