| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题的研究背景及研究意义 | 第9-10页 |
| 1.1.1 课题的背景 | 第9-10页 |
| 1.1.2 课题的研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 文本分类国内外研究现状 | 第11-13页 |
| 1.2.2 迁移学习国内外研究现状 | 第13-14页 |
| 1.3 本文的主要研究内容 | 第14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 第2章 文本分类综述 | 第16-28页 |
| 2.1 文本预处理 | 第17-19页 |
| 2.2 文本表示 | 第19-21页 |
| 2.3 常用分类算法 | 第21-24页 |
| 2.3.1 Rocchio算法 | 第21页 |
| 2.3.2 K最近邻(KNN) | 第21-22页 |
| 2.3.3 朴素贝叶斯(native Bayes) | 第22页 |
| 2.3.4 人工神经网络 | 第22-23页 |
| 2.3.5 决策树算法 | 第23页 |
| 2.3.6 支持向量机(SVM) | 第23-24页 |
| 2.4 性能评估 | 第24-26页 |
| 2.5 文本分类的应用及存在主要问题 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 迁移学习中的特征提取算法研究 | 第28-39页 |
| 3.1 传统特征提取算法分析 | 第28-30页 |
| 3.2 迁移学习中的基于两次提取的特征提取算法 | 第30-35页 |
| 3.2.1 迁移学习的方向 | 第30-32页 |
| 3.2.2 迁移学习的主要技术 | 第32页 |
| 3.2.3 迁移学习在文本分类中的应用 | 第32-33页 |
| 3.2.4 基于两次提取的特征提取算法 | 第33-35页 |
| 3.3 实验分析 | 第35-38页 |
| 3.3.1 实验语料 | 第35-37页 |
| 3.3.2 实验分析 | 第37-38页 |
| 3.4 本章小节 | 第38-39页 |
| 第4章 基于Boosting技术与BP神经网络的迁移算法 | 第39-49页 |
| 4.1 Boosting技术简要分析 | 第39-41页 |
| 4.1.1 Boosting技术 | 第39页 |
| 4.1.2 Boosting方法概述 | 第39-40页 |
| 4.1.3 Boosting应用概述 | 第40-41页 |
| 4.2 基于Boosting技术的BP-Boosting迁移学习算法 | 第41-48页 |
| 4.2.1 BP神经网络 | 第42-43页 |
| 4.2.2 BP神经网络算法思想 | 第43-45页 |
| 4.2.3 BP神经网络应用方向与不足 | 第45-46页 |
| 4.2.4 基于Boosting与BP神经网络的迁移学习方法 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第5章 实验结果与分析 | 第49-54页 |
| 5.1 实验结果 | 第49-53页 |
| 5.1.1 数据集的选取 | 第49-51页 |
| 5.1.2 实验分析 | 第51-53页 |
| 5.2 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第59-60页 |
| 致谢 | 第60页 |
