在本文中，我们提出了一种非参数贝叶斯多任务大利润分类模型，该模型可以将任务聚类为最合适的组数，并在每个任务组内同时引发灵活的模型共享。具体来说，我们首先展示一种非常简单的方法，可以将大量边际学习与分层贝叶斯集成通过使用标准SVM的重要变体（即近端SVM（PSVM））建立模型，其损失函数为用于定义新的似然函数。然后我们假设每个任务的模型参数由两个部分：一个任务在每个任务组中共享（组级参数），而另一任务特定于每个不同的任务（任务重新缩放参数）。任务重新调整参数时，对组级别参数施加Dirichlet流