| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 研究背景和意义 | 第14-16页 |
| 1.1.1 研究背景 | 第14-16页 |
| 1.1.2 研究意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 多标记学习方法研究 | 第16-18页 |
| 1.2.2 多标记学习的应用研究 | 第18-19页 |
| 1.3 研究目标和研究内容 | 第19-21页 |
| 1.3.1 研究目标 | 第19-20页 |
| 1.3.2 研究内容 | 第20-21页 |
| 1.4 研究方法与技术路线图 | 第21-23页 |
| 1.4.1 研究方法 | 第21-22页 |
| 1.4.2 技术路线图 | 第22-23页 |
| 1.5 本文的组织结构 | 第23-24页 |
| 第二章 多标记学习的相关基础理论研究 | 第24-41页 |
| 2.1 机器学习概述 | 第24-25页 |
| 2.1.1 机器学习概念 | 第24页 |
| 2.1.2 机器学习系统的基本结构 | 第24-25页 |
| 2.1.3 机器学习的分类 | 第25页 |
| 2.2 监督学习理论研究 | 第25-32页 |
| 2.2.1 监督学习框架与处理流程 | 第26-27页 |
| 2.2.2 常用分类方法概述 | 第27-31页 |
| 2.2.3 分类器评价方法和评价指标 | 第31-32页 |
| 2.3 多标记分类理论研究 | 第32-40页 |
| 2.3.1 多标记学习框架 | 第32-33页 |
| 2.3.2 多标记分类方法 | 第33-36页 |
| 2.3.3 多标记分类评价指标 | 第36-40页 |
| 2.4 小结 | 第40-41页 |
| 第三章 面向高维数据的改进多标记链式学习方法研究 | 第41-61页 |
| 3.1 研究问题背景 | 第41-43页 |
| 3.2 面向高维数据的改进多标记链式学习方法RS-CC和RS-ECC | 第43-47页 |
| 3.2.1 RS-CC方法 | 第43-45页 |
| 3.2.2 RS-ECC方法 | 第45-47页 |
| 3.3 实验设计 | 第47-50页 |
| 3.3.1 实验数据集 | 第47-48页 |
| 3.3.2 评价指标 | 第48页 |
| 3.3.3 对比方法 | 第48页 |
| 3.3.4 实验流程 | 第48-50页 |
| 3.4 结果分析讨论 | 第50-60页 |
| 3.4.1. 实验结果 | 第50-53页 |
| 3.4.2 分析与讨论 | 第53-60页 |
| 3.5 小结 | 第60-61页 |
| 第四章 面向高维数据的改进多标记链式学习方法在物流专家推荐中的应用 | 第61-76页 |
| 4.1 物流专家推荐研究背景 | 第61-62页 |
| 4.2 基于多标记学习的物流专家推荐问题形式化定义 | 第62-63页 |
| 4.3 基于多标记学习的物流专家推荐框架 | 第63-66页 |
| 4.3.1 物流专家信息获取模块 | 第64-65页 |
| 4.3.2 物流专家数据预处理模块 | 第65-66页 |
| 4.3.3 多标记数据分类模块 | 第66页 |
| 4.3.4 结果分析模块 | 第66页 |
| 4.4 实验设计 | 第66-69页 |
| 4.4.1 物流专家相关信息数据集 | 第66-68页 |
| 4.4.2 评价指标 | 第68页 |
| 4.4.3 对比方法 | 第68页 |
| 4.4.4 实验流程 | 第68-69页 |
| 4.5 结果分析讨论 | 第69-75页 |
| 4.5.1 实验结果 | 第69-70页 |
| 4.5.2 分析与讨论 | 第70-75页 |
| 4.6 小结 | 第75-76页 |
| 第五章 总结与展望 | 第76-78页 |
| 5.1 主要贡献与创新点 | 第76页 |
| 5.2 研究展望 | 第76-78页 |
| 参考文献 | 第78-83页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第83页 |
