当处于标签样本过少的情况下,节省标签所需的劳力是机器学习领域当中的一个非常重要的研究课题。为了获得一个有效的分类器,我们可以采用迁移学习来从相关的辅助域中迁移传递知识,也可以采取主动学习,查询最有信息的样本进行标记。然而,在许多实际应用中,现有的方法更加注重标签样本和专家在目标域中可用的情况。在本文中,我们考虑一个更具挑战性的设定,即标签样本和专家在目标域中均完全不可用。我们结合主动学习和直推式迁移学习,提出了一种高效的新算法,称为基于主动源域查询的直推式迁移学习(TTCALS),可以充分的利用源域中的知识。我们的主要想法是在源域中按类别选择信息量最高的样本,与此同时学习共享子空间以从源域迁移更多已知的信息,上述的两个步骤最后都集成到了一个统一的框架中。我们又考虑了主动查询中的代表性和信息量,结合了目标函数中可能存在的过拟合现象,提出了基于代表性和信息量的直推式迁移主动学习算法(RUTTAL)。本文主要的贡献有以下四点:1)我们研究了一个具有挑战性的问题设置,就是标签样本仅存在于源域中,并且在目标域中没有可用的标签专家。通过从源域选择和标记少量最具代表性和信息量的样本,可以直接预测目标域的未标签样本。2)在标签样本和标签专家在目标域上都不可用的情况,这是首次尝试将主动学习应用到直推式迁移学习的工作。源域中的样本由专家主动选择并分配标签。直推式迁移学习算法学习源域和目标域之间的共享子空间。基于这种方法,域之间的知识基本上可以转移。3)此外,上面我们首先提出了一个基本的基于主动源域查询的直推式迁移学习算法(TTCALS),我们还考虑了目标函数的正则化项和主动查询中的代表性,综合提出了基于代表性和信息量的直推式迁移主动学习算法(RUTTAL)。4)通过在情感分析的典型数据集上的测试可以得出,本文提出的基于主动源域查询的直推式迁移学习算法(TTCALS)以及基于代表性和信息量的直推式迁移主动学习算法(RUTTAL),相较于其他的比较方法可以建立精度更高的主动迁移学习模型,并且可以大大节省人类标签的劳力。