| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第15-29页 |
| 1.1 研究背景和意义 | 第15-18页 |
| 1.2 研究历史和现状 | 第18-26页 |
| 1.2.1 研究历史 | 第18-21页 |
| 1.2.2 研究现状 | 第21-24页 |
| 1.2.3 总结分析 | 第24-26页 |
| 1.3 研究内容和结构安排 | 第26-29页 |
| 1.3.1 研究内容 | 第26-27页 |
| 1.3.2 结构安排 | 第27-29页 |
| 第2章 涉及的理论与技术基础 | 第29-40页 |
| 2.1 引言 | 第29页 |
| 2.2 流形学习方法 | 第29-32页 |
| 2.2.1 流形学习基本原理 | 第29-31页 |
| 2.2.2 流形正则化技术 | 第31-32页 |
| 2.3 基于特征学习的文本表示 | 第32-39页 |
| 2.3.1 文本话题建模方法 | 第32-35页 |
| 2.3.2 文本嵌入表示方法 | 第35-39页 |
| 2.4 小结 | 第39-40页 |
| 第3章 结合词聚合与词组合分布式语义特征的文本相似性度量 | 第40-60页 |
| 3.1 引言 | 第40-41页 |
| 3.2 相关工作 | 第41-45页 |
| 3.2.1 主要技术和方法 | 第41-43页 |
| 3.2.2 问题总结与分析 | 第43-45页 |
| 3.3 结合词聚合词组合分布式语义词嵌入学习 | 第45-52页 |
| 3.3.1 算法框架 | 第45-48页 |
| 3.3.2 实验分析 | 第48-52页 |
| 3.4 基于词嵌入文本相似性度量 | 第52-59页 |
| 3.4.1 算法框架 | 第52-55页 |
| 3.4.2 实验分析 | 第55-59页 |
| 3.5 小结 | 第59-60页 |
| 第4章 局部加权嵌入正则化自编码文本话题建模 | 第60-83页 |
| 4.1 引言 | 第60页 |
| 4.2 相关工作 | 第60-64页 |
| 4.2.1 主要技术和方法 | 第60-63页 |
| 4.2.2 问题总结与分析 | 第63-64页 |
| 4.3 算法原理 | 第64-71页 |
| 4.3.1 算法框架 | 第64页 |
| 4.3.2 稀疏话题编码 | 第64-66页 |
| 4.3.3 随机游走近邻加权 | 第66-68页 |
| 4.3.4 局部加权近邻融合 | 第68-71页 |
| 4.4 实验分析 | 第71-81页 |
| 4.4.1 实验数据源 | 第71-72页 |
| 4.4.2 实验环境和条件 | 第72页 |
| 4.4.3 文本建模实验 | 第72-76页 |
| 4.4.4 文本聚类实验 | 第76-79页 |
| 4.4.5 文本分类实验 | 第79-81页 |
| 4.5 小结 | 第81-83页 |
| 第5章 局部概率生成正则化自编码文本嵌入表示 | 第83-112页 |
| 5.1 引言 | 第83-84页 |
| 5.2 相关工作 | 第84-88页 |
| 5.2.1 主要技术和方法 | 第84-87页 |
| 5.2.2 问题总结与分析 | 第87-88页 |
| 5.3 算法原理 | 第88-100页 |
| 5.3.1 算法框架 | 第88-89页 |
| 5.3.2 文本集近邻图构建 | 第89-90页 |
| 5.3.3 子空间判定 | 第90-95页 |
| 5.3.4 仿射映射构建 | 第95-100页 |
| 5.4 实验分析 | 第100-110页 |
| 5.4.1 实验数据 | 第100-101页 |
| 5.4.2 实验环境和条件 | 第101页 |
| 5.4.3 评价方法 | 第101-102页 |
| 5.4.4 Disc-LDE辨识效果实验 | 第102-107页 |
| 5.4.5 单一步骤替换辨识效果评估实验 | 第107-110页 |
| 5.5 小结 | 第110-112页 |
| 第6章 结束语 | 第112-116页 |
| 6.1 全文总结 | 第112-114页 |
| 6.2 工作展望 | 第114-116页 |
| 参考文献 | 第116-126页 |
| 附录1关于 20 NEWSGROUPS激励特征的话题词 | 第126-127页 |
| 附录2关于RCV1激励特征的话题词 | 第127-128页 |
| 学习期间发表的学术论文与研究成果清单 | 第128-130页 |
| 致谢 | 第130页 |