| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-19页 |
| ·研究背景和研究目的 | 第9-10页 |
| ·研究现状 | 第10-17页 |
| ·机器学习 | 第10-14页 |
| ·维数约减 | 第14-16页 |
| ·Web 挖掘及搜索引擎的研究 | 第16-17页 |
| ·本文主要研究内容 | 第17-18页 |
| ·本文组织结构 | 第18-19页 |
| 第二章 机器学习和数据挖掘 | 第19-37页 |
| ·机器学习 | 第19-27页 |
| ·机器学习定义 | 第19-20页 |
| ·机器学习的研究内容 | 第20-22页 |
| ·机器学习的分类 | 第22-24页 |
| ·流形和流形学习 | 第24-27页 |
| ·数据挖掘 | 第27-37页 |
| ·数据挖掘中的相关概念 | 第27-28页 |
| ·数据挖掘的基本过程和过程模型 | 第28-30页 |
| ·数据挖掘的基本功能 | 第30-31页 |
| ·数据挖掘的典型应用 | 第31-37页 |
| 第三章 线性维数约减算法的研究 | 第37-53页 |
| ·主要线性维数约减算法简介 | 第37-42页 |
| ·主成分分析法（PCA） | 第37-39页 |
| ·经典多维尺度分析（CMDS） | 第39-42页 |
| ·小结 | 第42页 |
| ·随机映像算法 | 第42-45页 |
| ·随机映像算法概述 | 第42-43页 |
| ·随机映像算法理论 | 第43-45页 |
| ·基于期望扰动的直接随机映象算法DRP | 第45-49页 |
| ·算法的提出 | 第45页 |
| ·主要结论 | 第45-47页 |
| ·引理3.2 的证明 | 第47-49页 |
| ·一种获得中肯DRP 的启发式算法 | 第49页 |
| ·算法比较实验 | 第49-52页 |
| ·实验设置 | 第50页 |
| ·基于人工生成数据集的实验 | 第50-51页 |
| ·基于文献数据集的实验 | 第51-52页 |
| ·算法讨论 | 第52-53页 |
| 第四章 非线性维数约减算法的研究 | 第53-70页 |
| ·主要非线性维数约减算法简介 | 第53-58页 |
| ·等距映射算法（Isomap） | 第53-54页 |
| ·局域线性嵌入（LLE） | 第54-56页 |
| ·拉普拉斯特征映像（Laplacian Eigenmaps） | 第56-57页 |
| ·随机邻域嵌入（SNE） | 第57-58页 |
| ·小结 | 第58页 |
| ·基于锚点集的最小平方误差等距嵌入算法AIE | 第58-63页 |
| ·算法的提出 | 第58-59页 |
| ·算法证明 | 第59-60页 |
| ·算法复杂性分析 | 第60-61页 |
| ·自适应邻域选择算法 | 第61-63页 |
| ·算法比较实验 | 第63-68页 |
| ·基于无噪声Swiss 数据集的实验 | 第64-66页 |
| ·基于伪自由度噪声Swiss 数据集的实验 | 第66-67页 |
| ·基于贯通型噪声Swiss 数据集的实验 | 第67-68页 |
| ·算法讨论 | 第68-70页 |
| 第五章 基于内容相关性挖掘的反馈式搜索引擎框架 | 第70-81页 |
| ·搜索引擎技术现状 | 第70-71页 |
| ·FSE 框架的提出 | 第71-72页 |
| ·FSE 系统框架 | 第72-73页 |
| ·网页相关性矩阵 | 第73-74页 |
| ·两种计算概率可达性的算法 | 第74-75页 |
| ·基于最大可靠路的概率可达性算法 | 第74-75页 |
| ·基于Markov chain Monte Carlo（MCMC）的概率可达性算法 | 第75页 |
| ·实验 | 第75-81页 |
| ·使用DRP 算法基于真实数据的实验 | 第75-77页 |
| ·使用 AIE 算法的仿真实验 | 第77-81页 |
| 第六章 总结与展望 | 第81-83页 |
| 参考文献 | 第83-91页 |
| 发表论文和科研情况说明 | 第91-92页 |
| 致谢 | 第92页 |