| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-15页 |
| ·研究背景与意义 | 第9-10页 |
| ·国内外研究现状 | 第10-14页 |
| ·多标记分类算法的研究现状 | 第10-11页 |
| ·多标记半监督学习和直推式学习 | 第11-12页 |
| ·集成学习研究现状 | 第12-13页 |
| ·多标记降维的研究现状 | 第13-14页 |
| ·论文的主要内容 | 第14页 |
| ·本文的章节安排 | 第14-15页 |
| 2 多标记学习相关技术的分析和研究 | 第15-29页 |
| ·多标记分类 | 第15-19页 |
| ·基于问题转化的方法 | 第15-17页 |
| ·基于算法改进的方法 | 第17-19页 |
| ·多标记半监督学习 | 第19-21页 |
| ·集成学习方法 | 第21-23页 |
| ·维度约减算法 | 第23-24页 |
| ·马尔科夫模型 | 第24-25页 |
| ·标记之间的相关性 | 第25-28页 |
| ·非条件标记相关性考查方法 | 第25-27页 |
| ·条件标记相关性 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 3 双向马尔科夫随机游走多标记分类 | 第29-41页 |
| ·数学定义 | 第29页 |
| ·双向马尔科夫随机游走算法 | 第29-33页 |
| ·TMRW算法基本思想 | 第29-30页 |
| ·TMRW系统框架 | 第30页 |
| ·类标之间的相关性 | 第30-31页 |
| ·构建K近邻图 | 第31页 |
| ·计算t步游走的概率 | 第31-32页 |
| ·双向马尔科夫随机游走直推式算法描述 | 第32-33页 |
| ·学习框架 | 第33-34页 |
| ·实验设计和结果分析 | 第34-40页 |
| ·实验数据 | 第34页 |
| ·实验环境和评价指标 | 第34-36页 |
| ·实验结果与分析 | 第36-40页 |
| ·本章小结 | 第40-41页 |
| 4 基于局部主成分分析的双向马尔科夫随机游走分类算法 | 第41-53页 |
| ·数据降维策略 | 第41-42页 |
| ·基于局部主成分分析的双向马尔科夫随机游走分类 | 第42-45页 |
| ·DBSCAN聚类方法 | 第43-44页 |
| ·主成分分析(PCA) | 第44-45页 |
| ·多标记半监督判别分析(MSDA) | 第45-47页 |
| ·实验设计和结果分析 | 第47-52页 |
| ·实验数据 | 第47页 |
| ·实验设计 | 第47-48页 |
| ·评价指标 | 第48页 |
| ·结果分析 | 第48-52页 |
| ·本章小结 | 第52-53页 |
| 5 总结和展望 | 第53-55页 |
| ·全文回顾与总结 | 第53页 |
| ·下一步工作展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 攻读硕士学位期间主要的研究成果 | 第61-62页 |
| 致谢 | 第62页 |