| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 课题的背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 本文的研究工作及创新之处 | 第17-19页 |
| 1.4 本文的组织结构 | 第19页 |
| 1.5 本章小结 | 第19-21页 |
| 第二章 相关知识介绍 | 第21-31页 |
| 2.1 问题简介 | 第21-22页 |
| 2.2 生物数据介绍 | 第22-25页 |
| 2.3 相关算法介绍 | 第25-30页 |
| 2.3.1 带重启概率的随机游走算法 | 第25-27页 |
| 2.3.2 CIPHER算法 | 第27-28页 |
| 2.3.3 生物异构网络中的随机游走算法 | 第28页 |
| 2.3.4 Katz算法 | 第28-29页 |
| 2.3.5 Catapult算法 | 第29页 |
| 2.3.6 ProDiGe算法 | 第29-30页 |
| 2.3.7 PRINCE算法 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于概率分布的协同过滤预测模型 | 第31-47页 |
| 3.1 数据预处理 | 第31-32页 |
| 3.2 生物异构网络构建 | 第32-35页 |
| 3.3 负样本集合选取 | 第35-36页 |
| 3.4 潜在因素预测模型 | 第36-37页 |
| 3.5 基于概率分布的协同过滤预测模型 | 第37-38页 |
| 3.6 基于相似约束的改进模型 | 第38-40页 |
| 3.6.1 模型Ⅰ:基于全局约束的协同过滤预测模型 | 第38-39页 |
| 3.6.2 模型Ⅱ:基于局部约束的协同过滤预测模型 | 第39-40页 |
| 3.7 实验分析 | 第40-46页 |
| 3.7.1 与其他算法的比较 | 第41-42页 |
| 3.7.2 不同参数的实验结果比较 | 第42-44页 |
| 3.7.3 已知致病基因数对实验影响 | 第44-45页 |
| 3.7.4 特征空间维度对实验影响 | 第45-46页 |
| 3.8 本章小结 | 第46-47页 |
| 第四章 基于PU Learning的协同过滤预测模型 | 第47-63页 |
| 4.1 特征数据介绍 | 第47-49页 |
| 4.1.1 基因特征数据介绍 | 第47-48页 |
| 4.1.2 人类疾病特征数据介绍 | 第48-49页 |
| 4.2 归纳型矩阵填补算法 | 第49-52页 |
| 4.2.1 矩阵分解算法介绍 | 第49-50页 |
| 4.2.2 归纳型矩阵填补算法介绍 | 第50-52页 |
| 4.3 基于PU Learning的协同过滤预测模型 | 第52-56页 |
| 4.3.1 问题设定 | 第52-53页 |
| 4.3.2 基于PU Learning的偏置矩阵填补算法 | 第53-54页 |
| 4.3.3 基于PU Learning的协同过滤预测模型 | 第54-55页 |
| 4.3.4 预测模型优缺点分析 | 第55-56页 |
| 4.4 实验分析 | 第56-61页 |
| 4.4.1 不同参数的实验结果比较 | 第56-57页 |
| 4.4.2 与其他算法的比较 | 第57-60页 |
| 4.4.3 已知致病基因数对实验结果的影响 | 第60-61页 |
| 4.6 本章小结 | 第61-63页 |
| 第五章 总结和展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表论文及科研情况 | 第69-71页 |
| 致谢 | 第71页 |
