| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 本文的研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 2 相关知识和理论 | 第16-26页 |
| 2.1 机器学习 | 第16页 |
| 2.2 文本分类 | 第16-22页 |
| 2.2.1 分词 | 第17-18页 |
| 2.2.2 文本表示 | 第18页 |
| 2.2.3 特征选择 | 第18-19页 |
| 2.2.4 分类算法 | 第19-22页 |
| 2.2.4.1 朴素贝叶斯分类 | 第19-21页 |
| 2.2.4.2 逻辑回归 | 第21-22页 |
| 2.3 主题模型 | 第22-25页 |
| 2.3.1 LSA | 第23-24页 |
| 2.3.2 PLSA | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 WLLDA算法及其在文本标签标注中的应用 | 第26-38页 |
| 3.1 LDA | 第26-29页 |
| 3.1.1 简介 | 第27页 |
| 3.1.2 LDA模型的生成 | 第27-28页 |
| 3.1.3 吉布斯采样 | 第28-29页 |
| 3.2 Labeled-LDA | 第29-30页 |
| 3.3 WLLDA | 第30-33页 |
| 3.3.1 简介 | 第30-31页 |
| 3.3.3 特征降维 | 第31页 |
| 3.3.4 加权词袋模型 | 第31-32页 |
| 3.3.5 主题贴近度 | 第32-33页 |
| 3.3.6 算法描述 | 第33页 |
| 3.3.7 模型集成 | 第33页 |
| 3.4 算法在用户偏好分析中的应用 | 第33-34页 |
| 3.5 实验分析 | 第34-37页 |
| 3.5.1 PMI-Score | 第34-35页 |
| 3.5.2 实验数据及实验设置 | 第35页 |
| 3.5.3 模型PMI-Score比较 | 第35-36页 |
| 3.5.4 模型准确率 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 4 基于word2vec的标签标注算法及其在文本标注中的应用 | 第38-51页 |
| 4.1 word2vec | 第38-43页 |
| 4.1.1 词向量 | 第38-39页 |
| 4.1.2 NNLM | 第39-40页 |
| 4.1.3 CBOW和Skip-gram | 第40-42页 |
| 4.1.4 Hierarchical Softmax | 第42-43页 |
| 4.1.5 Negative Sampling | 第43页 |
| 4.2 基于word2vec的标签标注算法 | 第43-47页 |
| 4.2.1 关键词提取 | 第43-45页 |
| 4.2.2 产生词向量 | 第45页 |
| 4.2.3 关键词聚类 | 第45-46页 |
| 4.2.4 文本去噪 | 第46页 |
| 4.2.5 标签标注 | 第46-47页 |
| 4.3 算法在用户偏好分析中的应用 | 第47页 |
| 4.4 实验分析 | 第47-50页 |
| 4.4.1 实验数据及实验设置 | 第47-48页 |
| 4.4.2 实验结果 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 无向图层次聚类并行优化算法及其应用 | 第51-62页 |
| 5.1 有向图和无向图 | 第51-52页 |
| 5.2 层次聚类 | 第52-53页 |
| 5.3 无向图层次聚类 | 第53-58页 |
| 5.3.1 构建无向图 | 第53-54页 |
| 5.3.2 节点合并 | 第54-55页 |
| 5.3.3 无向图层次聚类算法描述 | 第55页 |
| 5.3.4 对终止条件的优化 | 第55-56页 |
| 5.3.5 并行化加速 | 第56-57页 |
| 5.3.6 无向图层次聚类并行优化算法描述 | 第57-58页 |
| 5.4 算法在用户偏好分析中的应用 | 第58页 |
| 5.5 实验分析 | 第58-61页 |
| 5.5.1 实验数据及实验设置 | 第58-59页 |
| 5.5.2 实验结果 | 第59-61页 |
| 5.6 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士期间发表的学术论文 | 第69-70页 |