| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-10页 |
| CONTENTS | 第10-12页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 课题的研究背景和意义 | 第12-13页 |
| 1.2 多标签分类技术的国内外现状 | 第13-15页 |
| 1.3 主动学习简介 | 第15-17页 |
| 1.4 本文研究的内容 | 第17-19页 |
| 第二章 基于图数据的分类方法的分析与构建 | 第19-31页 |
| 2.1 局部和全局的一致性(Learning Local and Global Consistency(LLGC))算法 | 第19-24页 |
| 2.1.1 LLGC算法优点 | 第19-20页 |
| 2.1.2 LLGC算法的构建 | 第20-22页 |
| 2.1.3 算法规则框架 | 第22-24页 |
| 2.2 主动学习算法 | 第24-27页 |
| 2.2.1 单标签主动学习的数据信息价值的评判模型 | 第24-25页 |
| 2.2.2 多标签主动学习的数据信息价值的评价模型 | 第25-27页 |
| 2.3 拉德马赫复杂度 | 第27-30页 |
| 2.3.1 拉德马赫复杂度的学习模型 | 第27-28页 |
| 2.3.2 拉德马赫复杂度的构建 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 面向多标签的图数据的主动学习方法的设计 | 第31-44页 |
| 3.1 多标签的LLGC的设计与分类器的构建 | 第31-35页 |
| 3.2 多标签分类问题的泛化误差界的求解 | 第35-37页 |
| 3.3 泛化误差界的最小化处理 | 第37-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于主动学习的多标签的分类算法在图数据上的模拟实验 | 第44-51页 |
| 4.1 实验所用的数据集以及实验方法 | 第44-46页 |
| 4.2 实验数据的设定 | 第46-47页 |
| 4.3 实验结果的输出 | 第47-49页 |
| 4.4 本章小结 | 第49-51页 |
| 结论与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文 | 第57-59页 |
| 致谢 | 第59页 |
