| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文的主要研究内容 | 第10-11页 |
| 1.4 文章结构 | 第11-12页 |
| 2 理论基础 | 第12-24页 |
| 2.1 K最近邻分类算法 | 第12-14页 |
| 2.2 支持向量机 | 第14-16页 |
| 2.3 TrAdaBoost算法 | 第16-19页 |
| 2.4 ML-KNN算法 | 第19-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 基于样本差异的多标签分类器评价标准预估 | 第24-36页 |
| 3.1 基于样本分布差异的多标签评价标准预估 | 第24-26页 |
| 3.1.1 MMD统计量 | 第24页 |
| 3.1.2 MMD与评价标准的关系 | 第24-26页 |
| 3.2 基于样本实例间差异的多标签评价标准预估 | 第26-28页 |
| 3.2.1 MMR统计量 | 第26-27页 |
| 3.2.2 MMR与评价标准的关系 | 第27-28页 |
| 3.3 基于MMD和MMR的多标签评价标准预估 | 第28-29页 |
| 3.4 实验及分析 | 第29-35页 |
| 3.4.1 实验说明 | 第29页 |
| 3.4.2 多标签评价标准与MMD的关系 | 第29-31页 |
| 3.4.3 多标签评价标准与MMR的关系 | 第31-32页 |
| 3.4.4 评价标准估计 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 基于TrAdaBoost的多标签迁移学习 | 第36-58页 |
| 4.1 基于TrAdaBoost的多标签迁移学习 | 第36-39页 |
| 4.1.1 基于TrAdaBoost的多标签迁移学习算法 | 第36-38页 |
| 4.1.2 实验及分析 | 第38-39页 |
| 4.2 基于样本差异的单标签迁移现象研究 | 第39-49页 |
| 4.2.1 负迁移现象 | 第40-41页 |
| 4.2.2 基于样本分布差异的单标签迁移现象研究 | 第41-45页 |
| 4.2.3 基于样本实例间差异的单标签迁移现象研究 | 第45-49页 |
| 4.3 基于样本差异的多标签迁移现象研究 | 第49-56页 |
| 4.3.1 基于样本差异的多标签迁移现象研究 | 第49-53页 |
| 4.3.2 基于样本实例间差异的多标签迁移现象研究 | 第53-56页 |
| 4.4 本章小结 | 第56-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 本文总结 | 第58页 |
| 5.2 研究展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65页 |
| A. 作者在攻读硕士学位期间发表的论文 | 第65页 |
