| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 课题背景及研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 文本向量化 | 第13-14页 |
| 1.2.2 多标签分类算法 | 第14-16页 |
| 1.2.3 半监督学习 | 第16-17页 |
| 1.3 创新点 | 第17-18页 |
| 1.4 本文的章节安排 | 第18-20页 |
| 第二章 多标签文本分类相关技术 | 第20-34页 |
| 2.1 控烟新闻的获取及数据预处理 | 第20-22页 |
| 2.1.1 新闻数据获取 | 第20-21页 |
| 2.1.2 数据预处理 | 第21-22页 |
| 2.2 文本表示模型 | 第22-27页 |
| 2.2.1 向量空间模型(VSM) | 第22-23页 |
| 2.2.2 潜在狄利克雷分布模型(LDA) | 第23-24页 |
| 2.2.3 词向量模型(WORD EMBEDDING) | 第24-27页 |
| 2.3 多标签分类BR算法 | 第27-29页 |
| 2.4 机器学习二元分类算法 | 第29-30页 |
| 2.4.1 逻辑回归算法 | 第29页 |
| 2.4.2 决策树算法 | 第29-30页 |
| 2.5 多标签文本分类任务的评价指标 | 第30-33页 |
| 2.5.1 汉明损失 | 第31页 |
| 2.5.2 杰卡德相似度系数 | 第31页 |
| 2.5.3 加权平均的精确率、召回率与F_β度量 | 第31-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 多标签特征向量映射算法 | 第34-48页 |
| 3.1 算法结构设计 | 第34-38页 |
| 3.1.1 算法模型总体结构的设计 | 第34-35页 |
| 3.1.2 类别标签的特征提取 | 第35-36页 |
| 3.1.3 基于标签信息的特征映射 | 第36-37页 |
| 3.1.4 与其他文本表示算法的比较分析 | 第37-38页 |
| 3.2 数据集与文本预处理 | 第38-40页 |
| 3.2.1 数据集 | 第38-39页 |
| 3.2.2 文本预处理 | 第39-40页 |
| 3.3 模型训练及参数设置 | 第40-45页 |
| 3.3.1 词向量的训练 | 第40-41页 |
| 3.3.2 特征映射算法的模型选择及训练 | 第41-44页 |
| 3.3.3 分类器模型训练 | 第44-45页 |
| 3.4 结果分析 | 第45-47页 |
| 3.4.1 对比模型阐述 | 第45-46页 |
| 3.4.2 结果及分析 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 多视图半监督分类模型 | 第48-58页 |
| 4.1 多视图半监督训练模型的构建 | 第48-51页 |
| 4.1.1 多视图半监督训练模型整体结构 | 第48-49页 |
| 4.1.2 多视图构建 | 第49-50页 |
| 4.1.3 多视图构建的条件可行性分析 | 第50-51页 |
| 4.2 多视图半监督学习模型训练和预测 | 第51-55页 |
| 4.2.1 多视图半监督学习模型的训练 | 第51-54页 |
| 4.2.2 多视图模型的预测 | 第54-55页 |
| 4.3 实验与结果分析 | 第55-57页 |
| 4.3.1 对比模型阐述 | 第55-56页 |
| 4.3.2 结果及分析 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 展望及下一步工作 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间发表的学术论文 | 第66页 |