| 摘要 | 第1-8页 |
| Abstract | 第8-13页 |
| 第一章 绪论 | 第13-25页 |
| 第一节 引言 | 第13-14页 |
| 第二节 自然分组数据上文本分类任务 | 第14-18页 |
| ·垃圾邮件过滤任务 | 第15-16页 |
| ·个人主页识别任务 | 第16-17页 |
| ·文档排序任务 | 第17-18页 |
| 第三节 本文动因 | 第18-19页 |
| 第四节 本文主要研究内容与意义 | 第19-22页 |
| ·研究内容 | 第19-21页 |
| ·解决思路 | 第21页 |
| ·研究意义 | 第21-22页 |
| 第五节 本文章节安排 | 第22-25页 |
| 第二章 相关研究方法综述 | 第25-43页 |
| 第一节 引言 | 第25页 |
| 第二节 文本分类相关综述 | 第25-35页 |
| ·文本表示 | 第27页 |
| ·特征学习 | 第27-30页 |
| ·文本分类方法 | 第30-35页 |
| ·分类模型的评估 | 第35页 |
| 第三节 与分组数据上分类相关的方法 | 第35-40页 |
| ·隐式分组上学习算法 | 第37-38页 |
| ·结构化预测算法 | 第38-39页 |
| ·领域自适应学习算法 | 第39-40页 |
| 第四节 多分类器集成学习研究综述 | 第40-42页 |
| ·子分类器生成研究 | 第40-41页 |
| ·子分类器融合策略 | 第41-42页 |
| 第五节 本章小结 | 第42-43页 |
| 第三章 基于分组间协作的集成分类研究 | 第43-67页 |
| 第一节 引言 | 第43-44页 |
| 第二节 分组文本特性的定量分析 | 第44-50页 |
| ·度量分组文本特性的数据集和方法 | 第44-49页 |
| ·分组文本特性的实验结果 | 第49-50页 |
| 第三节 基于分组间协作的集成分类方法 | 第50-59页 |
| ·基于模型参数共享的分组上分类模型的构建 | 第51-56页 |
| ·分组上分类模型的集成 | 第56-59页 |
| 第四节 实验及分析 | 第59-65页 |
| ·数据集、基准算法和评价指标 | 第59-62页 |
| ·实验结果 | 第62-64页 |
| ·算法有效性分析 | 第64-65页 |
| 第五节 本章小结 | 第65-67页 |
| 第四章 融入分组相关度的集成分类研究 | 第67-91页 |
| 第一节 引言 | 第67-68页 |
| 第二节 分组相关度定量分析 | 第68-74页 |
| ·评估分组相关度的数据集和方法 | 第68-71页 |
| ·分组相关性的实验结果 | 第71-74页 |
| 第三节 融入分组相关度的集成分类算法 | 第74-82页 |
| ·融入分组相关度的分组上分类损失函数 | 第75-76页 |
| ·融入分组相关度的分组上分类损失函数的优化 | 第76-80页 |
| ·分组相关度矩阵求解的理论证明 | 第80-82页 |
| 第四节 实验及分析 | 第82-89页 |
| ·数据集、基准算法和评价指标 | 第82-86页 |
| ·实验结果 | 第86-87页 |
| ·算法有效性分析 | 第87-89页 |
| 第五节 本章小结 | 第89-91页 |
| 第五章 体现测试数据分组特性的分类预测研究 | 第91-109页 |
| 第一节 引言 | 第91-92页 |
| 第二节 体现测试数据分组特性的分类预测算法 | 第92-96页 |
| ·基于排序思想的测试数据融合权重学习的建模 | 第93-94页 |
| ·基于代价敏感列表排序算法的测试数据融合权重学习算法 | 第94-96页 |
| 第三节 算法理论分析 | 第96-99页 |
| ·测试数据融合权重学习算法的序保持 | 第96-98页 |
| ·测试数据融合权重学习算法的泛化性 | 第98-99页 |
| 第四节 实验及分析 | 第99-107页 |
| ·实验设置 | 第99-101页 |
| ·实验结果 | 第101-104页 |
| ·算法有效性分析 | 第104-107页 |
| 第五节 本章小结 | 第107-109页 |
| 第六章 结束语 | 第109-113页 |
| 第一节 论文工作成果 | 第109-110页 |
| 第二节 后续研究工作 | 第110-113页 |
| 参考文献 | 第113-123页 |
| 致谢 | 第123-124页 |
| 个人简历 | 第124-125页 |
| 在学期间研究成果 | 第125-126页 |