| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第14-17页 |
| 1.1 引言 | 第14-15页 |
| 1.2 本文的主要工作 | 第15-16页 |
| 1.3 本文的组织结构 | 第16页 |
| 1.4 本章小节 | 第16-17页 |
| 第二章 跨领域学习与跨领域分类概述 | 第17-24页 |
| 2.1 引言 | 第17页 |
| 2.2 跨领域学习概述 | 第17-20页 |
| 2.2.1 定义与概念 | 第17-18页 |
| 2.2.2 跨领域学习与传统机器学习的区别 | 第18-19页 |
| 2.2.3 跨领域学习的分类 | 第19-20页 |
| 2.3 基于权重的跨领域分类方法 | 第20-21页 |
| 2.3.1 基于实例权重的跨领域分类方法 | 第20页 |
| 2.3.2 基于模型权重的跨领域分类方法 | 第20-21页 |
| 2.4 基于特征表示的跨领域分类方法 | 第21-22页 |
| 2.4.1 基于原始特征空间的跨领域分类方法 | 第21页 |
| 2.4.2 基于高层概念空间的跨领域分类方法 | 第21-22页 |
| 2.5 其他跨领域分类方法 | 第22-23页 |
| 2.6 本章小节 | 第23-24页 |
| 第三章 基于多主题空间再学习的跨领域文本分类方法研究 | 第24-41页 |
| 3.1 引言 | 第24-25页 |
| 3.2 相关工作 | 第25-26页 |
| 3.2.1 基于特征词的跨领域文本分类 | 第25页 |
| 3.2.2 基于主题层面的跨领域文本分类 | 第25-26页 |
| 3.3 预备知识 | 第26-28页 |
| 3.3.1 变量含义 | 第26-27页 |
| 3.3.2 概率潜在语义模型 | 第27-28页 |
| 3.4 本文算法 | 第28-31页 |
| 3.4.1 算法框架 | 第28-29页 |
| 3.4.2 多层主题空间的再学习 | 第29-31页 |
| 3.4.3 算法描述 | 第31页 |
| 3.5 实验对比 | 第31-40页 |
| 3.5.1 实验数据集及基准算法 | 第31-34页 |
| 3.5.2 参数设置 | 第34-35页 |
| 3.5.3 分类结果对比 | 第35-38页 |
| 3.5.4 再学习后主题的有效性 | 第38页 |
| 3.5.5 时间对比 | 第38-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于多桥映射的跨领域文本分类方法研究 | 第41-52页 |
| 4.1 引言 | 第41-42页 |
| 4.2 相关工作 | 第42-43页 |
| 4.2.1 基于特征词层面的映射方法 | 第42-43页 |
| 4.2.2 基于主题层面的映射方法 | 第43页 |
| 4.3 本章算法 | 第43-47页 |
| 4.3.1 提取多重主题特征空间 | 第44-45页 |
| 4.3.2 多桥映射 | 第45-46页 |
| 4.3.3 算法框架 | 第46-47页 |
| 4.4 实验结果与分析 | 第47-51页 |
| 4.4.1 实验数据集 | 第47页 |
| 4.4.2 数据预处理与参数设置 | 第47-48页 |
| 4.4.3 多桥映射与单桥映射对比 | 第48-50页 |
| 4.4.4 精度对比 | 第50-51页 |
| 4.5 本章小节 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 本文主要研究工作总结 | 第52-53页 |
| 5.2 未来展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第58-60页 |