关系网络数据的半监督分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 国内外相关研究工作综述 | 第8-11页 |
| 1.2.1 关系网络数据的分类方法研究现状 | 第9页 |
| 1.2.2 关系网络数据的半监督分类方法研究现状 | 第9-11页 |
| 1.2.3 关系网络数据中半监督分类的挑战 | 第11页 |
| 1.3 本文的主要工作 | 第11页 |
| 1.4 本文的组织结构 | 第11-13页 |
| 第2章 相关基础知识 | 第13-24页 |
| 2.1 问题的定义 | 第13-14页 |
| 2.2 协同分类算法 | 第14-16页 |
| 2.2.1 迭代协同分类算法 | 第14-15页 |
| 2.2.2 使用松弛标注的邻居加权投票法 | 第15-16页 |
| 2.3 半监督协同分类算法 | 第16-19页 |
| 2.3.1 隐含网络传递算法 | 第16-18页 |
| 2.3.2 半监督迭代协同分类算法 | 第18-19页 |
| 2.4 半监督协同分类核心问题剖析 | 第19-23页 |
| 2.4.1 基于内容属性的半监督分类问题 | 第20-21页 |
| 2.4.2 关系的类标传递能力学习问题 | 第21-23页 |
| 2.4.3 内容属性与关系信息的结合问题 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 面向类标传递能力学习的强同质网络生成方法 | 第24-34页 |
| 3.1 问题的定义 | 第24-26页 |
| 3.2 强同质关系网络的生成算法 | 第26-28页 |
| 3.2.1 两步可达路径 | 第26-27页 |
| 3.2.2 算法描述 | 第27-28页 |
| 3.3 实验结果与分析 | 第28-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于网络正则化生成模型的半监督分类方法 | 第34-55页 |
| 4.1 基本思想 | 第34-35页 |
| 4.2 网络正则化生成模型（GMNR） | 第35-39页 |
| 4.2.1 基于 PLSA 的生成模型 | 第36-38页 |
| 4.2.2 网络正则化因子 | 第38-39页 |
| 4.2.3 全局最优化问题 | 第39页 |
| 4.3 GMNR 的参数学习及类标预测 | 第39-44页 |
| 4.3.1 期望最大化 | 第40-43页 |
| 4.3.2 参数初始值 | 第43页 |
| 4.3.3 算法描述及分析 | 第43-44页 |
| 4.4 实验结果与分析 | 第44-54页 |
| 4.4.1 数据集 | 第44-47页 |
| 4.4.2 对比算法 | 第47-48页 |
| 4.4.3 评估方法 | 第48-49页 |
| 4.4.4 结果与分析 | 第49-52页 |
| 4.4.5 收敛性和正则化参数λ | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-61页 |
| 致谢 | 第61页 |
