| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-11页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外相关领域研究现状 | 第9-10页 |
| 1.3 本文研究内容和论文结构 | 第10-11页 |
| 2 机器学习及其相关模型 | 第11-26页 |
| 2.1 机器学习简介 | 第11页 |
| 2.2 K近邻(KNN)模型 | 第11-12页 |
| 2.3 逻辑斯蒂(logistic)回归模型 | 第12-14页 |
| 2.4 支持向量机(SVM)模型 | 第14-17页 |
| 2.5 决策树(Decision Tree)模型 | 第17-18页 |
| 2.6 集成的的元学习算法模型 | 第18-20页 |
| 2.6.1 自助抽样(bagging)算法 | 第18-19页 |
| 2.6.2 提升(boosting)算法 | 第19-20页 |
| 2.7 神经网络(ANN)模型 | 第20-24页 |
| 2.8 本章小结 | 第24-26页 |
| 3 文本向量化理论及相关模型 | 第26-33页 |
| 3.1 分布表示理论 | 第26页 |
| 3.2 基于矩阵分解的分布 | 第26-28页 |
| 3.3 基于聚类理论的分布 | 第28页 |
| 3.4 基于神经网络的分布理论 | 第28-32页 |
| 3.4.1 神经网络语言(NNLM)算法和C&W算法 | 第29页 |
| 3.4.2 CBOW算法框架 | 第29-30页 |
| 3.4.3 Skip-Gram模型 | 第30-31页 |
| 3.4.4 Order模型 | 第31-32页 |
| 3.5 不同模型的联系与比较 | 第32页 |
| 3.6 本章小结 | 第32-33页 |
| 4 比赛胜负预测系统的设计与实现 | 第33-39页 |
| 4.1 系统目标 | 第33页 |
| 4.2 系统整体框架 | 第33页 |
| 4.3 系统工作流程及说明 | 第33-38页 |
| 4.3.1 数据收集与存储模块 | 第34页 |
| 4.3.2 数据清洗模块 | 第34-35页 |
| 4.3.3 数据向量化模块 | 第35-36页 |
| 4.3.4 数据分割 | 第36-37页 |
| 4.3.5 分类器训练 | 第37页 |
| 4.3.6 分类器模型库 | 第37页 |
| 4.3.7 性能展示与评估 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 5 实验设计与结果分析 | 第39-45页 |
| 5.1 实验所用数据来源 | 第39页 |
| 5.2 实验测试环境 | 第39页 |
| 5.3 实验 | 第39-44页 |
| 5.3.1 词向量和分类器模型构建 | 第39-40页 |
| 5.3.2 各模型性能展示 | 第40-42页 |
| 5.3.3 各模型性能比较和优缺点总结 | 第42-44页 |
| 5.4 本章小结 | 第44-45页 |
| 6 总结与展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |