基于联合非负矩阵分解的异构共迁移聚类算法
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景与意义 | 第7-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 2 相关工作 | 第13-24页 |
| 2.1 迁移学习及其研究综述 | 第13-18页 |
| 2.1.1 迁移学习的基本概念和定义 | 第13-14页 |
| 2.1.2 迁移学习的分类 | 第14-16页 |
| 2.1.3 迁移学习的方法 | 第16-18页 |
| 2.2 非负矩阵分解技术 | 第18-23页 |
| 2.2.1 NMF的概念和特性 | 第18-19页 |
| 2.2.2 NMF的求解 | 第19-21页 |
| 2.2.3 NMF的扩展算法 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 基于图正则化的鲁棒非负矩阵分解算法 | 第24-33页 |
| 3.1 引入误差矩阵 | 第24-26页 |
| 3.2 施加流形约束 | 第26-27页 |
| 3.3 优化求解 | 第27-31页 |
| 3.3.1 基于拉格朗日乘子的解法 | 第28-29页 |
| 3.3.2 基于乘法更新和梯度下降的解法 | 第29-31页 |
| 3.4 计算复杂度分析 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 4 基于共现数据的联合鲁棒非负矩阵分解算法 | 第33-42页 |
| 4.1 异构共迁移聚类模型 | 第34-35页 |
| 4.2 公共特征空间学习 | 第35-39页 |
| 4.2.1 联合鲁棒非负矩阵分解 | 第35-37页 |
| 4.2.2 优化求解 | 第37-39页 |
| 4.3 异构共迁移聚类算法 | 第39-41页 |
| 4.3.1 潜在语义表示学习 | 第39-40页 |
| 4.3.2 共聚类过程 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 实验与分析 | 第42-54页 |
| 5.1 数据集与对比算法 | 第42-43页 |
| 5.1.1 数据集 | 第42页 |
| 5.1.2 对比算法 | 第42-43页 |
| 5.1.3 评价指标 | 第43页 |
| 5.2 实验结果 | 第43-48页 |
| 5.3 参数及性能分析 | 第48-53页 |
| 5.4 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 附录A 公式(4.9)的推导 | 第61-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-65页 |
