| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第13-24页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究现状概述 | 第14-21页 |
| 1.2.1 多标签学习的主要研究成果 | 第15-19页 |
| 1.2.2 多标签学习研究中的一些存在问题 | 第19-21页 |
| 1.3 论文的主要研究目的与研究内容 | 第21-23页 |
| 1.4 本章小结 | 第23-24页 |
| 第二章 多标签学习的相关文献综述 | 第24-48页 |
| 2.1 多标签分类的两类方法 | 第25-33页 |
| 2.1.1 问题转化的方法（problem transformation methods,简称PT） | 第25-28页 |
| 2.1.2 算法适应的方法（algorithm adaptation methods，简称AA） | 第28-33页 |
| 2.2 挖掘标签关联与标签结构 | 第33-39页 |
| 2.2.1 挖掘隐含的标签结构 | 第34-36页 |
| 2.2.2 层次多标签分类 | 第36-39页 |
| 2.3 大规模标签问题的学习（Problems of large-scale labels） | 第39-47页 |
| 2.3.1 问题的背景 | 第39-40页 |
| 2.3.2 问题的研究现状与成果 | 第40-47页 |
| 2.4 本章小结 | 第47-48页 |
| 第三章 多标签分类问题的图结构描述 | 第48-65页 |
| 3.1 标签空间上的有限偏序集及哈斯图 | 第48-50页 |
| 3.2 标签空间上的q维-超立方体 | 第50-54页 |
| 3.2.1 标签空间的q维-超立方体描述 | 第50-52页 |
| 3.2.2 标签空间的q维-超立方体的性质 | 第52-53页 |
| 3.2.3 标签空间的q维-超立方体与哈斯图的关系 | 第53-54页 |
| 3.3 典型多标签分类方法的图结构描述 | 第54-64页 |
| 3.3.1 PT方法的图结构描述 | 第55-61页 |
| 3.3.2 LSDR方法的图结构描述 | 第61-64页 |
| 3.4 本章小结 | 第64-65页 |
| 第四章 基于典型相关分析的多标签分类方法 | 第65-83页 |
| 4.1 典型相关分析的简介 | 第65-66页 |
| 4.2 基于典型相关分析的多标签分类 | 第66-69页 |
| 4.2.1 利用典型相关分析挖掘数据结构与关联 | 第66-68页 |
| 4.2.2 基于典型输入变量建立线性预测模型 | 第68-69页 |
| 4.3 基于CCA的标签空间降维 | 第69-73页 |
| 4.3.1 标签空间降维的简介 | 第69页 |
| 4.3.2 利用CCA对标签向量进行低维编码 | 第69-72页 |
| 4.3.3 基于典型输出变量建立多标签预测模型 | 第72-73页 |
| 4.4 数值实验与结果 | 第73-81页 |
| 4.4.1 实验设置 | 第73-76页 |
| 4.4.2 实验结果及讨论 | 第76-81页 |
| 4.5 本章小结 | 第81-83页 |
| 第五章 基于有监督低维嵌入的多标签分类联合框架 | 第83-108页 |
| 5.1 多标签分类的联合框架 | 第84-90页 |
| 5.1.1 框架的提出 | 第84-86页 |
| 5.1.2 框架的求解算法 | 第86-88页 |
| 5.1.3 框架的对偶形式 | 第88-90页 |
| 5.2 计算复杂度分析 | 第90-92页 |
| 5.3 与已有方法之间的关系 | 第92-93页 |
| 5.4 数值实验与结果 | 第93-107页 |
| 5.4.1 实验设置 | 第93-96页 |
| 5.4.2 性能评价与讨论 | 第96-101页 |
| 5.4.3 计算时间及分析 | 第101-103页 |
| 5.4.4 对子空间大小的敏感性分析 | 第103-107页 |
| 5.5 本章小结 | 第107-108页 |
| 第六章 多标签分类联合框架的增量学习 | 第108-127页 |
| 6.1 在原框架ML-SLDE/DML-SLDE上进行样本增量学习 | 第108-113页 |
| 6.1.1 原形式ML-SLDE的样本增量学习 | 第109-111页 |
| 6.1.2 对偶形式DML-SLDE的样本增量学习 | 第111-113页 |
| 6.2 原框架的样本增量学习的数值实验 | 第113-117页 |
| 6.2.1 实验数据集 | 第113-114页 |
| 6.2.2 算法设置与评价指标 | 第114页 |
| 6.2.3 实验结果及讨论 | 第114-117页 |
| 6.3 基于增量SVD的样本增量学习 | 第117-123页 |
| 6.3.1 基于SVD分解的ML-SLDE求解算法 | 第118-120页 |
| 6.3.2 基于增量SVD的增量学习算法 | 第120-123页 |
| 6.4 基于SVD分解的增量学习算法的数值实验 | 第123-126页 |
| 6.4.1 实验设置 | 第123-124页 |
| 6.4.2 实验结果及讨论 | 第124-126页 |
| 6.5 本章小结 | 第126-127页 |
| 结论 | 第127-131页 |
| 参考文献 | 第131-139页 |
| 攻读博士学位期间取得的研究成果 | 第139-141页 |
| 致谢 | 第141-142页 |
| 附件 | 第142页 |
