| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 课题研究背景 | 第12-13页 |
| 1.2 课题研究现状 | 第13-17页 |
| 1.2.1 多标签学习算法研究现状 | 第13-15页 |
| 1.2.2 实体数据平衡算法研究现状 | 第15-16页 |
| 1.2.3 特征降维方法研究现状 | 第16-17页 |
| 1.3 课题研究面临的问题与挑战 | 第17页 |
| 1.4 论文主要工作和章节安排 | 第17-20页 |
| 1.4.1 论文主要工作 | 第17-19页 |
| 1.4.2 论文组织结构 | 第19-20页 |
| 第二章 多标签学习研究概述 | 第20-30页 |
| 2.1 多标签学习问题概述 | 第20-21页 |
| 2.2 多标签学习的基本方法 | 第21-26页 |
| 2.2.1 问题转化方法 | 第21-23页 |
| 2.2.2 算法适应方法 | 第23-26页 |
| 2.3 多标签学习算法性能评价指标 | 第26-28页 |
| 2.3.1 基于样本的指标 | 第26-27页 |
| 2.3.2 基于标签的指标 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 多标签随机均衡采样算法 | 第30-38页 |
| 3.1 引言 | 第30-31页 |
| 3.2 相关工作 | 第31-32页 |
| 3.2.1 多标签数据集不平衡度衡量指标 | 第31页 |
| 3.2.2 多标签随机重采样算法 | 第31-32页 |
| 3.3 多标签随机均衡采样ML-RBS方法 | 第32-35页 |
| 3.3.1 平均样本数 | 第32-33页 |
| 3.3.2 算法描述 | 第33-34页 |
| 3.3.3 算法分析 | 第34-35页 |
| 3.4 实验结果与分析 | 第35-37页 |
| 3.4.1 实验数据集与相关设置 | 第35页 |
| 3.4.2 实验基本流程 | 第35-36页 |
| 3.4.3 实验结果与分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于实体标签关系改进的多标签特征选择算法 | 第38-50页 |
| 4.1 引言 | 第38页 |
| 4.2 相关知识 | 第38-41页 |
| 4.2.1 互信息量 | 第38-40页 |
| 4.2.2 特征的依赖度与冗余度 | 第40-41页 |
| 4.3 基于标签关系改进的多标签特征选择算法 | 第41-44页 |
| 4.3.1 互信息量的归一化处理 | 第41页 |
| 4.3.2 标签重要性及其对特征依赖度和冗余度的改进 | 第41页 |
| 4.3.3 融合标签关系的特征评分函数及其计算 | 第41-42页 |
| 4.3.4 算法描述与分析 | 第42-44页 |
| 4.4 实验结果与分析 | 第44-47页 |
| 4.4.1 实验数据集与相关说明 | 第44页 |
| 4.4.2 实验结果及分析 | 第44-47页 |
| 4.5 本章小结 | 第47-50页 |
| 第五章 基于标签矩阵分解的多标签学习算法 | 第50-60页 |
| 5.1 引言 | 第50页 |
| 5.2 多标签数据集的矩阵表示 | 第50-51页 |
| 5.3 基于标签矩阵分解的多标签学习算法 | 第51-53页 |
| 5.3.1 标签矩阵分解 | 第51-52页 |
| 5.3.2 算法描述 | 第52-53页 |
| 5.4 实验结果与分析 | 第53-57页 |
| 5.4.1 实验数据集 | 第53页 |
| 5.4.2 实验相关说明 | 第53-54页 |
| 5.4.3 实验结果分析 | 第54-57页 |
| 5.5 本章小结 | 第57-60页 |
| 第六章 结束语 | 第60-62页 |
| 6.1 全文总结及主要创新点 | 第60页 |
| 6.2 下一步研究工作展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第68页 |