1.一种半监督多视图学习的网页分类方法，其特征在于，所述方法包括：步骤S1：从网页中获取数据，建立训练集；

所述训练集包括已标记训练集和未标记训练集；

所述已标记训练集为进行过信息识别的数据集；

所述未标记训练集为未进行信息识别的数据集；

步骤S2：通过已标记训练集训练分类器，使用验证集计算分类器的准确率；

步骤S3：通过训练好的分类器对已标记训练集和未标记训练集进行编码，获取样本特征；

步骤S4：对样本特征进行密度聚类，获取聚类结果；

步骤S5：根据聚类结果对未标记训练集的样本进行分类；

步骤S6：若步骤S2中分类器对样本的分类与步骤S5中根据聚类结果对样本的分类一致，则被分类的样本与其分类标记加入到已标记训练集；

步骤S7：若未标记训练集存在样本，执行步骤S8，否则结束分类；

步骤S8：若本轮为第一轮或本轮与上一轮对比，步骤S2中的准确率有所提升，执行步骤

52-57，否则结束分类。

2.根据权利要求1所述的一种半监督多视图学习的网页分类方法，其特征在于，所述分类器包括：多视图网络(multiview)、孪生网络(siamese)、分类网络(classifier)；

所述分类器的目标函数为：

L＝λ1(Ldiff+Ladv)+λ2LCon+Lc；

其中λ1与λ2为权重系数，Ldiff为多视图网络的正交损失函数，Ladv为多视图网络的对抗相似损失函数，LCon为孪生网络的对比损失函数，Lc为分类网络的交叉熵损失函数。

3.根据权利要求2所述的一种半监督多视图学习的网页分类方法，其特征在于，所述训练分类器包括训练多视图网络：步骤S2.1：根据对样本不同的角度的描述，至少构成两个视图；

所述样本为 其中x表示已标记训练集，i表示训练集的第i个样本，k表示样本的第k个视图；

步骤S2.2：每个视图包含视图间的共享信息和视图内的专有信息，使用不同的矩阵对视图的信息进行转换；

专有信息： 其中Ws为提取专有信息特征的矩阵， R为实数空间，其维度分别为r与dk；

共享信息： 其中Wc为提取共享信息特征的矩阵， R为实数空间，其维度分别为r与dk；

视图信息：

因为多个视图间的共享信息几乎相同，因此共享信息取均值表示：其中M为样本的视图总数；

步骤S2.3：把多个视图的专有信息与共享信息连接，样本所有视图的信息表示为：

4.根据权利要求3所述的一种半监督多视图学习的网页分类方法，其特征在于，所述正交损失函数为：其中，S表示k视图的共享信息输出矩阵，H表示k视图的专有信息输出矩阵， 是平方Frobenius项。

5.根据权利要求3所述的一种半监督多视图学习的网页分类方法，其特征在于，所述对抗相似损失函数为：其中，G代表生成器，用于根据视图的原始信息生成共享信息，其生成过程为： D代表判定器，用于鉴别共享信息所属的视图，鉴别的概率为： θG与θD为生成器G与判定器D的参数，N为样本总个数。

6.根据权利要求3所述的一种半监督多视图学习的网页分类方法，其特征在于，所述训练分类器包括训练孪生网络：步骤S2.4：将多视图网络转换的视图信息编码，得到样本特征；

所述视图信息的数量为至少一对样本所转换，若xi和xj为样本，hi和hj为转换后的视图信息，codei和codej则为视图信息编码后得到的样本特征；

步骤S2.5：计算样本之间的距离：d(xi，xj)＝||codei-codej||2；

步骤S2.6：通过对比损失函数训练孪生网络，对比损失函数为：其中，N为共有的样本对数，n为第n对输入的样本，yn表示两个样本是否同类，若yn＝1表示两个样本有相同类标签，否则yn＝0，Margin为用户设置的参数。

7.根据权利要求6所述的一种半监督多视图学习的网页分类方法，其特征在于，所述对比损失使用了样本的均值进行计算，新的对比损失函数为：其中，mini-batch为训练神经网络参数的一个小的批块，m为mini-batch的大小，xi为mini-batch的第i个样本，μsame是mini-batch中与xi有相同类标签的样本的均值，μdiff是与xi有不同类标签的样本的均值。

8.根据权利要求3所述的一种半监督多视图学习的网页分类方法，其特征在于，所述交叉熵损失函数为：其中p(xi)代表样本xi类型的真实分布，q(xi)代表样本xi类型的预测分布。

9.根据权利要求1所述的一种半监督多视图学习的网页分类方法，其特征在于，所述步骤S4包括：步骤S4.1：计算局部密度ρi；

所述ρi为：

其中N为样本数，dij＝distance(xi，xj)为样本xi与xj之间的距离， 为步骤S2中已标记训练集的最好聚类结果的参数dc， 为已标记样本聚类的数量， 为已标记的样本总数；

步骤S4.2：计算第i个样本和局部密度大于ρi的样本之间的最小距离δi，所述δi为：步骤S4.3：通过局部密度ρi与距离δi找出聚类中心，得到聚类结果。

10.根据权利要求6所述的一种半监督多视图学习的网页分类方法，其特征在于，所述对比损失函数以平方欧式距离作为距离度量。