| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题背景与研究意义 | 第10-11页 |
| 1.2 国内外研究进展 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 本文的研究内容 | 第12-13页 |
| 本文的创新点 | 第13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第二章 数据降维算法综述 | 第15-22页 |
| 2.1 线性降维算法 | 第15-17页 |
| 2.1.1 主成分分析法(PCA) | 第15-16页 |
| 2.1.2 线性判别分析法(LDA) | 第16-17页 |
| 2.2 非线性降维算法 | 第17-20页 |
| 2.2.1 局部线性嵌入算法(LLE) | 第17-19页 |
| 2.2.2 局部切空间排列算法(LTSA) | 第19页 |
| 2.2.3 ISOMAP算法 | 第19-20页 |
| 2.3 本章小结 | 第20-22页 |
| 第三章 FOLKSONOMY及支持向量机 | 第22-29页 |
| 3.1 Folksonomy | 第22-24页 |
| 3.1.1 Folksonomy的概念 | 第22页 |
| 3.1.2 Folksonomy的特点 | 第22-23页 |
| 3.1.3 垃圾标签 | 第23-24页 |
| 3.2 支持向量机 | 第24-28页 |
| 3.2.1 线性可分情况 | 第25-26页 |
| 3.2.2 线性不可分情况 | 第26-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第四章 核主成分分析法优化SVM垃圾标签检测模型 | 第29-45页 |
| 4.1 核主成分分析法(KPCA) | 第29-31页 |
| 4.1.1 核主成分分析法(KPCA)简介 | 第29-30页 |
| 4.1.2 核主成分分析法(KPCA)部分应用领域 | 第30-31页 |
| 4.2 KPCA-SVM算法及说明 | 第31-35页 |
| 4.2.1 算法描述 | 第31-32页 |
| 4.2.2 算法流程图 | 第32-33页 |
| 4.2.3 算法主要伪码 | 第33-34页 |
| 4.2.4 算法分析 | 第34-35页 |
| 4.3 基于KPCA-SVM的垃圾标签检测模型 | 第35-40页 |
| 4.3.1 用户特征建模 | 第35-36页 |
| 4.3.2 基于KPCA-SVM的垃圾标签检测模型的算法描述 | 第36-39页 |
| 4.3.3 检测算法流程图 | 第39-40页 |
| 4.3.4 模型分析 | 第40页 |
| 4.4 算法实验与结果分析 | 第40-44页 |
| 4.4.1 实验数据 | 第40-41页 |
| 4.4.2 性能评价标准 | 第41-42页 |
| 4.4.3 实验步骤及结果分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 基于KK-SVM的垃圾标签检测模型 | 第45-58页 |
| 5.1 核K-means聚类算法 | 第45-48页 |
| 5.1.1 核K-means聚类算法简介 | 第45-47页 |
| 5.1.2 核K-means聚类的数据集约减原理 | 第47-48页 |
| 5.2 基于KK-SVM的垃圾标签检测模型 | 第48-52页 |
| 5.2.1 基于KK-SVM的垃圾标签检测模型算法描述 | 第48-51页 |
| 5.2.2 算法流程图 | 第51-52页 |
| 5.3 算法实验及结果分析 | 第52-56页 |
| 5.3.1 实验数据 | 第52页 |
| 5.3.2 性能评价标准 | 第52-53页 |
| 5.3.3 实验步骤及结果分析 | 第53-56页 |
| 5.4 本章小结 | 第56-58页 |
| 第六章 总结和展望 | 第58-60页 |
| 6.1 工作总结 | 第58-59页 |
| 6.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士期间公开发表/录用的学术论文 | 第65页 |
