| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-16页 |
| 1.1 机器学习及迁移学习 | 第8-10页 |
| 1.2 迁移学习研究现状 | 第10-13页 |
| 1.3 本文所做的工作和论文组织结构 | 第13-16页 |
| 第二章 迁移学习概述 | 第16-24页 |
| 2.1 迁移学习领域及任务介绍 | 第16-17页 |
| 2.2 迁移学习的分类 | 第17-19页 |
| 2.3 迁移学习算法介绍 | 第19-23页 |
| 2.3.1 TrAdaBoost算法 | 第19-21页 |
| 2.3.2 TrAdaBoost算法的扩展 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于样本距离的单源迁移学习算法 | 第24-32页 |
| 3.1 迁移学习问题陈述 | 第24-25页 |
| 3.2 TrAdaBoost算法存在的不足 | 第25-26页 |
| 3.3 基于样本距离的单源迁移学习算法 | 第26-28页 |
| 3.4 实验分析 | 第28-30页 |
| 3.4.1 Letter-recognition数据集 | 第28页 |
| 3.4.2 20newsgroup数据集 | 第28-29页 |
| 3.4.3 实验结果及分析 | 第29-30页 |
| 3.5 本章小结 | 第30-32页 |
| 第四章 基于特征距离的多源迁移学习算法 | 第32-50页 |
| 4.1 多源迁移学习问题陈述 | 第32-33页 |
| 4.2 样本特征距离 | 第33-35页 |
| 4.3 基于特征距离的多源迁移学习算法 | 第35-39页 |
| 4.3.1 算法描述 | 第35-37页 |
| 4.3.2 样本空间特征提取 | 第37-38页 |
| 4.3.3 权重更新策略 | 第38-39页 |
| 4.4 实验分析 | 第39-49页 |
| 4.4.1 实验数据集 | 第39页 |
| 4.4.2 实验评价标准 | 第39页 |
| 4.4.3 不同p值对算法性能的影响 | 第39-44页 |
| 4.4.4 源领域个数对算法性能的影响 | 第44-46页 |
| 4.4.5 目标训练集带标记样本所占比例对算法性能的影响 | 第46-48页 |
| 4.4.6 源领域样本权重变化对算法的影响 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 基于特征距离的多源迁移学习在跨领域情感分类中的应用 | 第50-56页 |
| 5.1 跨领域情感分类 | 第50-51页 |
| 5.2 数据处理和样本向量化 | 第51-53页 |
| 5.3 实验设计及分析 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
