半监督支持向量机「S3VM」是支持向量机在半监督学习上的推广，相较于需要找出最大间隔划分超平面的支持向量机，S3VM 只考虑未标注样本的信息，并试图找到能将两类有标记样本分开，且穿过数据低密度区域的划分超平面。

S3VM 特点

S3VM 基于聚类假设，试图通过探索未标记数据来规范、调整决策边界，为了利用未标记的数据，则需要在现有的支持向量机「SVM」上，增加两个对未标记的数据点限制。

S3VM 与其他支持向量机的区别

TSVM

直推式支持向量机「TSVM」与半监督支持向量机「S3VM」在同一年提出，且算法的主要思想和要求解的优化问题类似，因此这两个概念是可以互换的。

TSVM 主要用于二分类问题，其试图考虑对未标记样本进行可能的标记指标（Label Assignment），即尝试将每个未标记样本分别作为正例或反例，并在对应的结果中寻求间隔最大化的划分超平面。

Laplacian SVM

除了 S3VM 和 TSVM，Laplacian SVM 也是相对流行的向量机之一，其主要通过图的拉普拉斯矩阵探索数据的流形结构。

这些支持向量机都有一个共性，即都是对未标记的数据类别进行直接估计。