| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-14页 |
| 1.3 研究现状 | 第14-15页 |
| 1.3.1 年龄分类 | 第14-15页 |
| 1.3.2 年龄回归 | 第15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 组织结构 | 第16-18页 |
| 第2章 相关知识介绍 | 第18-27页 |
| 2.1 文本表示模型 | 第18-19页 |
| 2.2 支持向量机模型 | 第19-21页 |
| 2.2.1 支持向量机分类模型 | 第19-21页 |
| 2.2.2 支持向量机回归模型 | 第21页 |
| 2.3 最大熵分类模型 | 第21-23页 |
| 2.4 长短期记忆神经网络 | 第23-24页 |
| 2.5 语料资源 | 第24-26页 |
| 2.6 性能评测指标 | 第26页 |
| 2.7 本章小结 | 第26-27页 |
| 第3章 基于主动学习的用户年龄识别方法 | 第27-38页 |
| 3.1 问题描述及相关研究 | 第27-29页 |
| 3.2 基于主动学习的用户年龄识别方法 | 第29-32页 |
| 3.2.1 特征分析 | 第29-30页 |
| 3.2.2 基于委员会投票的主动学习方法 | 第30-31页 |
| 3.2.3 基于随机特征子空间的委员会投票方法 | 第31-32页 |
| 3.3 实验结果与分析 | 第32-37页 |
| 3.3.1 实验设置 | 第33页 |
| 3.3.2 基于全监督学习的用户年龄识别结果 | 第33-34页 |
| 3.3.3 基于主动学习的用户年龄识别结果 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 跨社交媒体的用户年龄识别方法 | 第38-50页 |
| 4.1 问题描述及相关研究 | 第38-40页 |
| 4.2 跨社交媒体的用户年龄识别方法 | 第40-44页 |
| 4.2.1 特征分析 | 第41页 |
| 4.2.2 基于自训练的跨社交媒体的年龄识别方法 | 第41-42页 |
| 4.2.3 基于协同训练的跨社交媒体的年龄识别方法 | 第42-44页 |
| 4.3 实验结果与分析 | 第44-49页 |
| 4.3.1 实验设置 | 第44页 |
| 4.3.2 单社交媒体的用户年龄识别结果 | 第44-46页 |
| 4.3.3 跨社交媒体的用户年龄识别结果 | 第46-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 混合分类/回归模型的用户年龄识别方法 | 第50-60页 |
| 5.1 问题描述及相关研究 | 第50-51页 |
| 5.2 混合分类/回归模型的用户年龄识别方法 | 第51-54页 |
| 5.2.1 基于LSTM模型的年龄分类方法 | 第52-53页 |
| 5.2.2 基于LSTM模型的年龄回归方法 | 第53-54页 |
| 5.2.3 基于混合模型的年龄识别方法 | 第54页 |
| 5.3 实验结果与分析 | 第54-59页 |
| 5.3.1 实验设置 | 第54-55页 |
| 5.3.2 基于平衡数据集的年龄识别结果 | 第55-57页 |
| 5.3.3 基于不平衡数据集的年龄识别结果 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 研究工作总结 | 第60-61页 |
| 6.2 下一步工作设想 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读学位期间公开发表的论文 | 第67页 |
| 攻读学位期间公开申请的专利 | 第67-68页 |
| 攻读学位期间已授权的软件著作权 | 第68页 |
| 攻读学位期间参与的科研项目 | 第68-69页 |
| 致谢 | 第69-71页 |