基于实例与特征的迁移学习文本分类方法研究
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 文本分类研究现状 | 第11-12页 |
| 1.2.2 迁移学习文本分类研究现状 | 第12-13页 |
| 1.2.3 当前研究存在的问题 | 第13-14页 |
| 1.3 主要研究内容 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 相关理论 | 第16-26页 |
| 2.1 文本分类概述 | 第16页 |
| 2.2 文本分类流程 | 第16-22页 |
| 2.2.1 文本预处理 | 第17页 |
| 2.2.2 文本表示 | 第17-18页 |
| 2.2.3 特征降维 | 第18页 |
| 2.2.4 特征加权 | 第18-19页 |
| 2.2.5 分类方法 | 第19-21页 |
| 2.2.6 评估标准 | 第21-22页 |
| 2.3 迁移学习基本理论 | 第22-25页 |
| 2.3.1 迁移学习概述 | 第22-23页 |
| 2.3.2 迁移学习类型 | 第23-24页 |
| 2.3.3 与传统机器学习的比较 | 第24-25页 |
| 2.3.4 迁移学习的应用 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 一种训练集优化及动态重构的迁移学习方法 | 第26-38页 |
| 3.1 基于实例与特征的迁移学习 | 第26页 |
| 3.2 TrAdaBoost算法分析 | 第26-28页 |
| 3.2.1 TrAdaBoost算法流程 | 第26-27页 |
| 3.2.2 问题分析及改进思路 | 第27-28页 |
| 3.3 训练集优化及动态重构的迁移学习方法 | 第28-30页 |
| 3.3.1 问题定义 | 第28页 |
| 3.3.2 训练集优化 | 第28-29页 |
| 3.3.3 动态重构 | 第29页 |
| 3.3.4 算法思想及流程 | 第29-30页 |
| 3.5 实验 | 第30-33页 |
| 3.5.1 实验准备 | 第30-32页 |
| 3.5.2 实验设计 | 第32-33页 |
| 3.5.3 评价指标 | 第33页 |
| 3.6 实验结果及分析 | 第33-36页 |
| 3.6.1 迁移学习的有效性 | 第33-34页 |
| 3.6.2 与TrAdaBoost方法对比 | 第34-36页 |
| 3.7 本章小结 | 第36-38页 |
| 第4章 基于领域语义相关性挖掘的迁移学习方法 | 第38-52页 |
| 4.1 概率潜在语义分析 | 第38-40页 |
| 4.1.1 PLSA模型假设 | 第38-39页 |
| 4.1.2 模型参数估计 | 第39-40页 |
| 4.2 TPLSA迁移学习方法研究 | 第40-43页 |
| 4.2.1 问题定义 | 第40页 |
| 4.2.2 TPLSA模型 | 第40-42页 |
| 4.2.3 TPLSA算法流程 | 第42-43页 |
| 4.3 TPLSA-Imp算法 | 第43-47页 |
| 4.3.1 问题分析及改进思路 | 第43页 |
| 4.3.2 TPLSA-Imp模型 | 第43-44页 |
| 4.3.3 构造新特征表示 | 第44-46页 |
| 4.3.4 TPLSA-Imp算法流程 | 第46-47页 |
| 4.4 实验 | 第47-48页 |
| 4.4.1 实验准备 | 第47-48页 |
| 4.4.2 实验设计 | 第48页 |
| 4.4.3 评价指标 | 第48页 |
| 4.5 实验结果及分析 | 第48-51页 |
| 4.5.1 参数设置 | 第48页 |
| 4.5.2 结果分析 | 第48-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 进一步工作 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |
| 攻读硕士学位期间公开发表的论文 | 第60页 |
