| 摘要 | 第1-8页 |
| Abstract | 第8-13页 |
| 1 引言 | 第13-17页 |
| ·课题提出 | 第13页 |
| ·研究背景及现状分析 | 第13-15页 |
| ·解决文本分类问题的基本方法 | 第13-14页 |
| ·利用无标注样本资源来改善学习性能的机器学习技术 | 第14-15页 |
| ·本文所做的工作 | 第15-16页 |
| ·研究目的 | 第15-16页 |
| ·研究内容 | 第16页 |
| ·本文的章节安排 | 第16-17页 |
| 2 基于机器学习的文本分类基本概述和基础技术 | 第17-39页 |
| ·文本分类基本概述 | 第17-22页 |
| ·文本分类问题的数学描述 | 第17-18页 |
| ·机器学习概述 | 第18-21页 |
| ·基于机器学习的文本分类基础技术 | 第21-22页 |
| ·文本的表示 | 第22-28页 |
| ·概述 | 第22页 |
| ·文本的预处理和文本表示模型的选取 | 第22-25页 |
| ·特征降维 | 第25-28页 |
| ·计算权值生成向量 | 第28页 |
| ·分类方法 | 第28-36页 |
| ·概述 | 第28-29页 |
| ·最大熵模型 | 第29-31页 |
| ·支持向量机（SVM） | 第31-35页 |
| ·Adaboost 方法 | 第35-36页 |
| ·效果评估 | 第36-37页 |
| ·分类方法对比实验 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 3 减小手工标注量的机器学习方法 | 第39-47页 |
| ·半监督机器学习理论 | 第39-41页 |
| ·问题描述和数学原理 | 第39-40页 |
| ·半监督学习方法的种类 | 第40-41页 |
| ·半监督机器学习中的协同训练（CO-TRAINING）技术 | 第41-46页 |
| ·基本描述 | 第41-42页 |
| ·理论分析 | 第42-44页 |
| ·应用 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 4 海洋文献分类中极小化标注的实现 | 第47-65页 |
| ·基于CO-TRAINING 的海洋文献分类主要流程设计 | 第47-48页 |
| ·功能模块设计 | 第48-56页 |
| ·文本预处理功能的设计 | 第49-51页 |
| ·特征分割功能的设计 | 第51-52页 |
| ·训练分类模型功能的设计 | 第52-53页 |
| ·预测功能的设计 | 第53-54页 |
| ·挑选特征功能的设计 | 第54-55页 |
| ·评估功能的设计 | 第55-56页 |
| ·分类工具的使用 | 第56-57页 |
| ·实验的设置和实验数据的处理与分析 | 第57-64页 |
| ·实验的设置 | 第57-59页 |
| ·实验数据的处理与分析 | 第59-64页 |
| ·本章小结 | 第64-65页 |
| 5 总结与展望 | 第65-67页 |
| ·本文工作总结 | 第65页 |
| ·不足与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 个人简历 | 第72页 |
| 学术论文 | 第72页 |
| 研究项目 | 第72页 |