面向跨领域文档分类的异构迁移学习算法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 目录 | 第11-13页 |
| 图索引 | 第13-14页 |
| 表索引 | 第14-15页 |
| 第一章 绪论 | 第15-25页 |
| ·课题背景和意义 | 第15-16页 |
| ·研究问题描述 | 第16-20页 |
| ·文档分类的问题 | 第16-18页 |
| ·迁移学习的适用领域 | 第18-20页 |
| ·本文的主要贡献 | 第20-23页 |
| ·本文的组织结构 | 第23-25页 |
| 第二章 迁移学习的研究现状 | 第25-39页 |
| ·迁移学习的概述 | 第25-29页 |
| ·迁移学习和其他学习的比较 | 第29-33页 |
| ·传统的机器学习 | 第29-32页 |
| ·多任务学习 | 第32-33页 |
| ·迁移学习的关键研究点 | 第33-37页 |
| ·基于实例权重的迁移 | 第33-34页 |
| ·基于特征分布的迁移 | 第34-36页 |
| ·基于共享参数的迁移 | 第36-37页 |
| ·小结 | 第37-39页 |
| 第三章 基于最大间隔的核均值匹配的迁移学习 | 第39-52页 |
| ·引言 | 第39-40页 |
| ·相关研究 | 第40-42页 |
| ·基于最大间隔的核均值匹配算法 | 第42-47页 |
| ·提出的模型 | 第42-43页 |
| ·目标 | 第43-46页 |
| ·算法 | 第46-47页 |
| ·实验结果与分析 | 第47-51页 |
| ·数据集和构造 | 第47-49页 |
| ·性能分析 | 第49-51页 |
| ·小结 | 第51-52页 |
| 第四章 基于多视图的迁移学习 | 第52-67页 |
| ·引言 | 第52-53页 |
| ·相关研究 | 第53-55页 |
| ·单视图的迁移学习 | 第53-54页 |
| ·多视图的迁移学习 | 第54-55页 |
| ·基于多视图的跨领域知识迁移算法 | 第55-61页 |
| ·问题描述 | 第55-56页 |
| ·目标函数 | 第56-60页 |
| ·分类预测 | 第60页 |
| ·算法 | 第60-61页 |
| ·实验结果与分析 | 第61-65页 |
| ·数据集及其构建 | 第61-62页 |
| ·算法比较 | 第62-63页 |
| ·视图间的互补 | 第63页 |
| ·结果评价 | 第63-65页 |
| ·小结 | 第65-67页 |
| 第五章 基于在线背景知识的迁移学习 | 第67-88页 |
| ·引言 | 第67-68页 |
| ·相关研究 | 第68-71页 |
| ·异构在线知识库的帮助 | 第68-69页 |
| ·异构社交网络的帮助 | 第69-71页 |
| ·相关算法及分析 | 第71-79页 |
| ·基于在线知识的跨领域文档分类 | 第72-75页 |
| ·基于在线知识的异构迁移学习 | 第75-77页 |
| ·基于在线知识的协同过滤和在线推荐 | 第77-78页 |
| ·基于在线知识的其他应用 | 第78-79页 |
| ·基于辅助链接网络的迁移学习模型 | 第79-86页 |
| ·问题的描述 | 第80-81页 |
| ·构建辅助链接网络减小领域差距 | 第81-84页 |
| ·辅助网络性能的实验结果与分析 | 第84-86页 |
| ·小结 | 第86-88页 |
| 第六章 基于多视图的主题模型的迁移学习 | 第88-107页 |
| ·引言 | 第88-89页 |
| ·相关研究 | 第89-91页 |
| ·单视图的迁移学习 | 第89-90页 |
| ·多视图的迁移学习 | 第90-91页 |
| ·基于多视图的主题模型的迁移算法 | 第91-98页 |
| ·问题的描述 | 第91-92页 |
| ·TMV 模型的提出和分析 | 第92-94页 |
| ·TMV 模型的步骤 | 第94-96页 |
| ·TMV 的算法 | 第96-98页 |
| ·实验结果与分析 | 第98-105页 |
| ·数据集及其构建 | 第98-99页 |
| ·算法比较和分析 | 第99-103页 |
| ·参数敏感度 | 第103-104页 |
| ·收敛性 | 第104-105页 |
| ·小结 | 第105-107页 |
| 总结和展望 | 第107-113页 |
| 参考文献 | 第113-127页 |
| 攻读博士学位期间取得的研究成果 | 第127-129页 |
| 致谢 | 第129-130页 |
| 答辩委员会对论文的评定意见 | 第130页 |
