| 独创性声明 | 第1页 |
| 关于论文使用授权的说明 | 第2-3页 |
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-10页 |
| 第一章 信息过滤的研究背景、现状和意义 | 第10-20页 |
| ·信息过滤的提出 | 第10-11页 |
| ·信息过滤的发展历史 | 第11-13页 |
| ·信息过滤的研究现状 | 第13-15页 |
| ·信息过滤的意义 | 第15-17页 |
| ·本文的组织结构 | 第17-20页 |
| 第二章 信息过滤的模型和主要算法 | 第20-40页 |
| ·信息过滤的特点 | 第20-22页 |
| ·信息检索与信息过滤 | 第20-21页 |
| ·信息过滤的分类 | 第21-22页 |
| ·基于内容的信息过滤模型 | 第22-25页 |
| ·信息过滤模型介绍 | 第22-23页 |
| ·向量空间模型 | 第23-25页 |
| ·向量空间表示法 | 第23-24页 |
| ·样本相似性度量 | 第24-25页 |
| ·信息过滤的主要方法概述 | 第25-31页 |
| ·统计方法 | 第25-29页 |
| ·逻辑方法 | 第29-30页 |
| ·拟物方法 | 第30-31页 |
| ·TREC 信息过滤任务 | 第31-35页 |
| ·TREC 信息过滤任务概况 | 第31-33页 |
| ·TREC 信息过滤任务的评测 | 第33-35页 |
| ·我们的信息过滤系统简介 | 第35-40页 |
| ·自适应过滤系统 | 第35-37页 |
| ·自适应过滤的主要算法简介 | 第37-40页 |
| 第三章 用户兴趣的二重构造算法及小样本主题优化 | 第40-58页 |
| ·用户需求扩展 | 第40-49页 |
| ·基于语义词典的用户需求扩展 | 第41-43页 |
| ·基于词相似度计算的用户需求扩展 | 第43-47页 |
| ·基于同义词词林的词相似度计算[116] | 第43-44页 |
| ·基于知网和同义词词林的词相似度计算[118] | 第44-47页 |
| ·基于相关反馈的用户需求扩展 | 第47-49页 |
| ·用户兴趣构造的一般方法 | 第49-50页 |
| ·基于伪相关文档的用户兴趣构造 | 第49页 |
| ·基于Rocchio 算法的用户兴趣构造 | 第49-50页 |
| ·基于增量式伪相关文档选择的用户兴趣构造 | 第50页 |
| ·基于二重伪相关文档选择的用户兴趣构造方法 | 第50-53页 |
| ·二重伪相关文档选择算法 | 第51-52页 |
| ·实验结果 | 第52-53页 |
| ·小样本主题的优化分析方法 | 第53-56页 |
| ·小样本主题的判定 | 第53-55页 |
| ·小样本主题的自我增强优化 | 第55-56页 |
| ·用户需求迁移和用户兴趣漂移分析 | 第56-58页 |
| 第四章 需求粒度驱动的柔性化特征选择算法 | 第58-72页 |
| ·特征提取 | 第58-60页 |
| ·文本特征描述 | 第58-59页 |
| ·特征提取的粒度分析 | 第59-60页 |
| ·传统的特征选择方法 | 第60-63页 |
| ·词频方法 | 第61页 |
| ·文档频次方法 | 第61页 |
| ·交叉熵方法 | 第61-62页 |
| ·互信息方法 | 第62页 |
| ·信息增益方法 | 第62-63页 |
| ·χ~2 统计量方法 | 第63页 |
| ·用户需求粒度驱动的柔性化特征选择算法 | 第63-69页 |
| ·用户需求的粒度分析 | 第64-65页 |
| ·粗粒度用户需求的精细特征选择法 | 第65-68页 |
| ·主题无关假设下的类互信息特征选择法 | 第66页 |
| ·基于训练集的类互信息特征选择法 | 第66-67页 |
| ·两种类互信息特征选择方法的实验结果比较 | 第67-68页 |
| ·细粒度用户需求的粗略特征选择法 | 第68-69页 |
| ·优化的文档频次特征选择方法 | 第68-69页 |
| ·对比实验结果 | 第69页 |
| ·平滑的特征权重计算方法 | 第69-72页 |
| 第五章 基于不确定性信息的用户兴趣学习和局部目标函数优化制导的阈值调整 | 第72-94页 |
| ·基于变化模型的用户兴趣更新 | 第72-73页 |
| ·自适应过滤中用户兴趣更新的传统方法 | 第73-76页 |
| ·用户兴趣更新的必要性 | 第73-74页 |
| ·经典的Rocchio 更新算法 | 第74-75页 |
| ·充分反馈条件下的Rocchio 更新算法 | 第75-76页 |
| ·基于不确定信息的用户兴趣更新算法 | 第76-81页 |
| ·局部代替整体的思想 | 第76-77页 |
| ·基于正反例中心的未判定文档划分方法 | 第77-78页 |
| ·未判定文档“功大于过”的思想 | 第78-79页 |
| ·未判定文档“过大于功”的思想 | 第79-81页 |
| ·过滤阈值调整的必要性及主要方法 | 第81-84页 |
| ·固定的检出阈值 | 第81-82页 |
| ·回归分析法(Logistic regression) | 第82页 |
| ·Beta-Gamma 阈值学习方法 | 第82-83页 |
| ·高斯指数分布法 | 第83-84页 |
| ·全局和局部目标函数优化制导的阈值调整 | 第84-88页 |
| ·全局目标函数优化制导的阈值调整方法 | 第84-86页 |
| ·局部目标函数优化制导的阈值调整方法 | 第86-88页 |
| ·实验结果比较分析 | 第88-94页 |
| 第六章 反向过滤技术及其与正向过滤相结合的双向过滤技术 | 第94-106页 |
| ·反向过滤技术 | 第94-97页 |
| ·反向过滤问题的提出 | 第94页 |
| ·反向用户兴趣构建 | 第94-97页 |
| ·否定形式的用户要求 | 第94-95页 |
| ·反例形式的用户要求 | 第95-97页 |
| ·反向过滤算法 | 第97页 |
| ·正向过滤与反向过滤相结合的过滤技术 | 第97-102页 |
| ·正向过滤中存在的问题 | 第97-98页 |
| ·无反馈过滤系统中不相关信息用户兴趣的建立和应用 | 第98-99页 |
| ·正向过滤和反向过滤相结合的自适应过滤算法 | 第99-102页 |
| ·先反向后正向的双向过滤技术分析 | 第102-106页 |
| ·基本思想和算法流程 | 第102-103页 |
| ·双向过滤算法的理论分析 | 第103-106页 |
| 第七章 信息过滤技术在 Web 问答系统中的应用 | 第106-116页 |
| ·Web 问答系统介绍及其主要问题 | 第106-107页 |
| ·问答系统的文档获取 | 第107-111页 |
| ·传统的文档获取技术 | 第107-109页 |
| ·基于信息过滤的文档获取技术 | 第109-111页 |
| ·自适应问答系统 | 第111-115页 |
| ·问答系统的学习问题 | 第111页 |
| ·自适应答案过滤 | 第111-113页 |
| ·自适应答案调整 | 第113-115页 |
| ·本章小结 | 第115-116页 |
| 第八章 实验结果比较与分析 | 第116-122页 |
| ·数据集预处理 | 第116-117页 |
| ·过滤主题介绍及处理 | 第117-118页 |
| ·TREC-10 自适应过滤实验结果 | 第118-119页 |
| ·TREC-11 自适应过滤实验结果 | 第119-122页 |
| 第九章 结束语 | 第122-130页 |
| ·本文主要贡献与创新 | 第122-123页 |
| ·下一步研究工作 | 第123-124页 |
| ·前景与展望 | 第124-130页 |
| 参考文献 | 第130-141页 |
| 致 谢 | 第141-143页 |
| 作者简历 | 第143-144页 |
