| 详细摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景 | 第8-9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 排序学习模型 | 第9-10页 |
| 1.2.2 半监督排序学习 | 第10-12页 |
| 1.3 论文的研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第二章 相关基础理论与技术 | 第14-25页 |
| 2.1 排序学习 | 第14-18页 |
| 2.1.1 排序学习的过程 | 第14-15页 |
| 2.1.2 排序学习算法 | 第15-17页 |
| 2.1.3 排序学习的性能评估指标 | 第17-18页 |
| 2.2 基于图的半监督排序学习 | 第18-21页 |
| 2.2.1 基于图正则化的半监督排序 | 第18-19页 |
| 2.2.2 基于图和标签传播算法的半监督排序 | 第19-21页 |
| 2.3 代价敏感(Cost-Sensitive)学习 | 第21-22页 |
| 2.3.1 代价敏感学习概述 | 第21页 |
| 2.3.2 代价敏感学习的排序方法 | 第21-22页 |
| 2.4 稀疏表示（Sparse Representation） | 第22-25页 |
| 2.4.1 稀疏表示技术概述 | 第22-23页 |
| 2.4.2 基于稀疏表示的排序方法 | 第23-25页 |
| 第三章 基于低秩图的半监督排序学习算法 | 第25-39页 |
| 3.1 引言 | 第25-26页 |
| 3.2 低秩图的构建 | 第26-28页 |
| 3.3 基于低秩图结合标签传播算法的半监督排序学习框架 | 第28-29页 |
| 3.4 一种基于低秩图的半监督Rank SVM排序算法 | 第29-33页 |
| 3.4.1 Rank SVM算法介绍 | 第29-30页 |
| 3.4.2 基于Spark平台的并行标签传播算法Spark LPA | 第30-32页 |
| 3.4.3 一种基于低秩图的半监督Rank SVM排序算法 | 第32-33页 |
| 3.5 实验结果及分析 | 第33-38页 |
| 3.5.1 数据集与评估指标 | 第33页 |
| 3.5.2 文档的低秩矩阵求解实验 | 第33-34页 |
| 3.5.3 不同初始有标注样本占比情况下Spark LPA标注准确率 | 第34-35页 |
| 3.5.4 在MQ2008-semi数据集上的实验 | 第35-36页 |
| 3.5.5 在OHSUMED数据集上的实验 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于稀疏表示的代价敏感listwise型排序学习算法 | 第39-53页 |
| 4.1 引言 | 第39页 |
| 4.2 代价敏感列表型排序学习算法框架 | 第39-41页 |
| 4.3 基于稀疏表示的代价敏感List MLE算法 | 第41-46页 |
| 4.3.1 算法的排序损失函数 | 第41-42页 |
| 4.3.2 改进的近端梯度下降(Proximal Gradient Descent)学习算法 | 第42-44页 |
| 4.3.3 算法的整个过程 | 第44-46页 |
| 4.3.4 算法的收敛性分析 | 第46页 |
| 4.4 实验结果与分析 | 第46-51页 |
| 4.4.1 数据集 | 第46-47页 |
| 4.4.2 度量评估指标 | 第47页 |
| 4.4.3 实验参数设置 | 第47页 |
| 4.4.4 与密集型的排序模型的对比实验 | 第47-49页 |
| 4.4.5 与稀疏的排序模型的对比实验 | 第49-51页 |
| 4.4.6 与一些先进的排序模型的对比实验 | 第51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 一种基于低秩图的半监督List MLE排序学习算法 | 第53-56页 |
| 5.1 引言 | 第53页 |
| 5.2 算法的过程 | 第53-54页 |
| 5.3 实验结果与分析 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 对未来工作的展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 在读期间发表的学术论文与取得的研究成果 | 第63-64页 |
