基于多标记学习的用户属性流式预测模型研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容 | 第11-13页 |
| 1.3.1 属性预测模型 | 第11-12页 |
| 1.3.2 在线流式框架 | 第12-13页 |
| 1.4 面临的挑战和本文的贡献 | 第13-14页 |
| 1.4.1 面临的挑战 | 第13页 |
| 1.4.2 本文的贡献 | 第13-14页 |
| 1.5 论文组织结构 | 第14-15页 |
| 第二章 相关研究综述 | 第15-33页 |
| 2.1 用户属性研究综述 | 第15-18页 |
| 2.1.1 特征选择算法 | 第15-16页 |
| 2.1.2 用户性别预测 | 第16页 |
| 2.1.3 用户年龄预测 | 第16-17页 |
| 2.1.4 用户职业预测 | 第17页 |
| 2.1.5 用户属性预测常用算法 | 第17-18页 |
| 2.2 多标记学习综述 | 第18-29页 |
| 2.2.1 单示例多标记学习 | 第19-25页 |
| 2.2.3 多示例多标记学习 | 第25-29页 |
| 2.3 数据流概念漂移处理 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于多标记学习的用户属性预测模型 | 第33-51页 |
| 3.1 模型设计思路 | 第33-35页 |
| 3.2 特征选择与特征权重量化 | 第35-39页 |
| 3.2.1 特征选择算法 | 第35-38页 |
| 3.2.2 特征权重量化 | 第38-39页 |
| 3.3 基于多标记学习的预测 | 第39-43页 |
| 3.3.1 多标记学习框架 | 第39-40页 |
| 3.3.2 聚类构建多示例包 | 第40-41页 |
| 3.3.3 多示例多标记MIMLRBF | 第41-43页 |
| 3.4 实验和结果分析 | 第43-49页 |
| 3.4.1 数据集介绍 | 第43-44页 |
| 3.4.2 评价指标 | 第44-45页 |
| 3.4.3 实验结果分析 | 第45-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第四章 一种基于原型学习的自适应概念漂移分类算法 | 第51-65页 |
| 4.1 概述 | 第51-53页 |
| 4.2 SyncStream算法介绍 | 第53-55页 |
| 4.3 SyncPrototype算法设计 | 第55-59页 |
| 4.3.1 算法思路 | 第55-57页 |
| 4.3.2 分类预测与原型表示值更新方法 | 第57-59页 |
| 4.3.3 等级策略原型层更新方法 | 第59页 |
| 4.3.4 算法 | 第59页 |
| 4.4 用户属性增量流式迭代 | 第59-61页 |
| 4.5 实验 | 第61-64页 |
| 4.5.1 数据集 | 第61页 |
| 4.5.2 突然概念漂移处理 | 第61-63页 |
| 4.5.3 分类性能分析 | 第63-64页 |
| 4.6 本章小结 | 第64-65页 |
| 第五章 用户属性数据挖掘验证模块 | 第65-77页 |
| 5.1 整体框架与模块需求 | 第65-68页 |
| 5.1.1 整体框架 | 第65-66页 |
| 5.1.2 模块需求 | 第66-68页 |
| 5.2 详细设计 | 第68-74页 |
| 5.2.1 用户属性流式预测模型整体设计 | 第68-72页 |
| 5.2.2 模块数据库设计 | 第72-73页 |
| 5.2.3 开发环境与运行平台 | 第73-74页 |
| 5.3 运行流程与示例 | 第74-76页 |
| 5.4 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85-87页 |
| 攻读学位期间发表或已录用的学术论文 | 第87页 |
