| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-14页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究目标及内容 | 第11-12页 |
| 1.3 论文组织结构 | 第12-14页 |
| 第二章 研究背景与相关工作 | 第14-22页 |
| 2.1 机器学习研究背景 | 第14-15页 |
| 2.1.1 机器学习框架概述 | 第14页 |
| 2.1.2 监督学习框架介绍 | 第14-15页 |
| 2.1.3 懒惰学习框架介绍 | 第15页 |
| 2.2 文本分类技术概述及应用 | 第15-19页 |
| 2.2.1 针对短文本的研究方法 | 第16-17页 |
| 2.2.2 文本相似度计算方法介绍 | 第17-19页 |
| 2.3 微博短文本分类应用 | 第19-21页 |
| 2.3.1 信息源价值 | 第20页 |
| 2.3.2 现有分词词库 | 第20-21页 |
| 2.3.3 当前分类算法 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 多示例多标签学习框架技术 | 第22-27页 |
| 3.1 多示例多标签学习框架 | 第22-23页 |
| 3.1.1 多示例算法框架 | 第22-23页 |
| 3.1.2 多标签算法框架 | 第23页 |
| 3.2 多标签学习问题解决方案 | 第23-25页 |
| 3.2.1 基于数据集分解的解决方案 | 第24页 |
| 3.2.2 考察标签之间的排序关系解决方案 | 第24-25页 |
| 3.3 多标签学习隶属度函数 | 第25页 |
| 3.4 多标签学习ML-kNN算法 | 第25-26页 |
| 3.5 本章小结 | 第26-27页 |
| 第四章 基于类别袋的文本相似度计算方法 | 第27-34页 |
| 4.1 以Map Reduce为核心的文本相似度计算方法 | 第27-29页 |
| 4.1.1 Map Reduce编程模型 | 第27页 |
| 4.1.2 以Map Reduce为核心的文本相似度计算 | 第27-29页 |
| 4.2 针对短文本的新型文本相似度计算方法 | 第29-33页 |
| 4.2.1 算法设计思路 | 第29页 |
| 4.2.2 BOC权重计算 | 第29-30页 |
| 4.2.3 基于BOC的短文本索引 | 第30-31页 |
| 4.2.4 基于BOC的短文本聚合 | 第31-33页 |
| 4.2.5 针对BOC的短文本特征信息扩展 | 第33页 |
| 4.3 本章小结 | 第33-34页 |
| 第五章 多标签分类算法实验及分析 | 第34-46页 |
| 5.1 多示例多标签分类学习框架评价体系 | 第34-35页 |
| 5.1.1 汉明损失 | 第34页 |
| 5.1.2 1-错误率 | 第34页 |
| 5.1.3 覆盖率 | 第34-35页 |
| 5.1.4 排序损失 | 第35页 |
| 5.1.5 平均精确度 | 第35页 |
| 5.2 微博数据分析以及关联规则过滤 | 第35-40页 |
| 5.3 实验与分析 | 第40-45页 |
| 5.3.1 实验设计 | 第40-41页 |
| 5.3.2 基于BOC的微博分类特征单元分析 | 第41页 |
| 5.3.3 30%训练集分类结果比较 | 第41-42页 |
| 5.3.4 递增训练集分类结果比较 | 第42-45页 |
| 5.4 本章小结 | 第45-46页 |
| 第六章 论文总结与未来工作展望 | 第46-48页 |
| 6.1 论文总结 | 第46页 |
| 6.2 未来工作展望 | 第46-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 硕士阶段完成工作 | 第52页 |