| 摘要 | 第5-7页 |
| ABSTRACT（英文摘要） | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 传统机器学习算法 | 第12-16页 |
| 1.1.1 有监督的机器学习 | 第12-13页 |
| 1.1.2 半监督的机器学习 | 第13-14页 |
| 1.1.3 迁移学习算法 | 第14-16页 |
| 1.2 知识型数据监督的学习 | 第16-17页 |
| 第二章 知识型数据的生成――大规模类信息自动标注 | 第17-38页 |
| 2.1 简介 | 第17-19页 |
| 2.2 朴素贝叶斯分类器和平滑算法 | 第19-21页 |
| 2.2.1 多项式模型朴素贝叶斯分类器 | 第20-21页 |
| 2.2.2 平滑算法 | 第21页 |
| 2.3 朴素贝叶斯分类器的两个问题 | 第21-38页 |
| 2.3.1 数据集 | 第21-22页 |
| 2.3.2 标准朴素贝叶斯分类器的效果 | 第22-23页 |
| 2.3.3 第一个问题：冲突对 | 第23-27页 |
| 2.3.4 第二个问题：关键证据淹没问题 | 第27-30页 |
| 2.3.5 改进型朴素贝叶斯分类器 | 第30-34页 |
| 2.3.5.1 调整权重的朴素贝叶斯分类器 | 第31-33页 |
| 2.3.5.2 带参数的平滑贝叶斯方法 | 第33-34页 |
| 2.3.6 改进朴素贝叶斯的实验 | 第34-36页 |
| 2.3.7 本节的一些相关工作 | 第36-38页 |
| 第三章 知识型数据的使用――监督学习算法 | 第38-52页 |
| 3.1 简介 | 第38-40页 |
| 3.2 两阶段风险优化算法 | 第40-46页 |
| 3.2.1 问题的定义 | 第40-41页 |
| 3.2.2 风险最小框架下对知识型数据监督学习的建模 | 第41-42页 |
| 3.2.3 第一阶段；最小化独立风险 | 第42-44页 |
| 3.2.4 第二阶段：最小化非独立风险 | 第44-46页 |
| 3.3 实现细节 | 第46页 |
| 3.4 知识型数据监督算法的实验 | 第46-49页 |
| 3.4.1 实验设计 | 第46-47页 |
| 3.4.2 实验效果 | 第47-49页 |
| 3.4.2.1 总体效果 | 第47页 |
| 3.4.2.2 独立风险优化的效果 | 第47-48页 |
| 3.4.2.3 参数效果 | 第48-49页 |
| 3.5 本节相关的工作 | 第49-52页 |
| 第四章 总结 | 第52-53页 |
| 参考文献 | 第53-59页 |
| 致谢 | 第59-60页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第60页 |