如上所述，这与您的问题略有不同，但如果您的目标是建立一个良好的模型来预测标记的文档$L$，我最初会将其表述为推荐系统问题，直到您达到系统学习曲线中的理想点。几年前我在一份出版物中正是这样做的。在我的方法中，所有标记的文档都用于训练 SVM，而所有未标记的文档都用于分类。我使用每个分类文档的签名边距距离进行排名，并取顶部-$n$作为下一个$n$审阅者应指定标签的文件$\in(L, L_{not})$. 这个过程的一个副作用是，当您向模型中添加新的标记文档时，您可以迭代地评估分类器的性能，这应该可以满足您的需求。如果这种方法听起来对您有用，我建议您查看我的论文，因为我描述了一些对此有用的性能指标，此外还概述了要使用的特定过程，以确保您不会对模型产生偏见。

我不相信经典的 SVM 是这种情况下的正确工具，仅仅因为你没有负面因素。我会尝试使用以下之一：

1. 半监督方法：如果您的数据可以很好地聚类，那么您可以使用您的数据确定哪些集群对应于正例并将其用作分类器
2. 使用 1 类 SVM