| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 概述 | 第9-13页 |
| 1.1 研究目的和意义 | 第9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 本文研究内容 | 第11-13页 |
| 第2章 半监督学习和信息瓶颈理论基础 | 第13-40页 |
| 2.1 半监督学习的基本原理 | 第13-36页 |
| 2.1.1 半监督学习的发展 | 第13-14页 |
| 2.1.2 生成式模型 | 第14-20页 |
| 2.1.3 直推式支持向量机 | 第20-29页 |
| 2.1.4 基于图的方法 | 第29-33页 |
| 2.1.5 协同训练的原理 | 第33-36页 |
| 2.2 信息瓶颈理论 | 第36-40页 |
| 第3章 文本分类关键技术 | 第40-52页 |
| 3.1 文本特征生成 | 第40-43页 |
| 3.1.1 文本表示 | 第40-41页 |
| 3.1.2 文本特征 | 第41-42页 |
| 3.1.3 分词 | 第42-43页 |
| 3.2 特征选择与降维 | 第43-46页 |
| 3.2.1 特征选择 | 第43-46页 |
| 3.2.2 特征抽取 | 第46页 |
| 3.3 常用的文本分类方法 | 第46-48页 |
| 3.3.1 最近邻分类(Nearest Neighbor) | 第46-47页 |
| 3.3.2 朴素贝叶斯分类理论 | 第47-48页 |
| 3.3.3 支持向量机 | 第48页 |
| 3.4 基于文本特征的字幕-脚本对齐算法 | 第48-51页 |
| 3.5 实验结果 | 第51-52页 |
| 第4章 使用伪标注协助的协同训练 | 第52-71页 |
| 4.1 本文研究的问题描述 | 第52页 |
| 4.2 伪标注和生成伪标注的算法 | 第52-54页 |
| 4.3 结合伪标注的重排序算法 | 第54-55页 |
| 4.4 使用伪标注协助的协同训练算法 | 第55-58页 |
| 4.5 改进的协同训练算法鲁棒性的统计学解释 | 第58-60页 |
| 4.6 改进的协同训练算法鲁棒性的最大熵原理解释 | 第60-64页 |
| 4.6.1 相互独立性假设 | 第60-61页 |
| 4.6.2 最大熵原理 | 第61-62页 |
| 4.6.3 朴素贝叶斯分类器的最大熵原理解释 | 第62-63页 |
| 4.6.4 信息瓶颈理论的最大熵原理解释 | 第63-64页 |
| 4.6.5 贝叶斯分类器和信息瓶颈理论的关系 | 第64页 |
| 4.7 实验结果与分析 | 第64-71页 |
| 4.7.1 实验设计 | 第64-66页 |
| 4.7.2 实验结果与分析 | 第66-71页 |
| 第5章 总结与展望 | 第71-73页 |
| 5.1 论文工作总结 | 第71页 |
| 5.2 论文工作展望 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78-80页 |
| 攻读硕士学位期间已发表或录用的论文及专利 | 第80-83页 |
| 上海交通大学硕士学位论文答辩决议书 | 第83页 |