首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

基于增强语义和随机游走的分类算法研究

摘要第1-4页
Abstract第4-9页
第1章 引言第9-15页
   ·研究背景与课题意义第9-13页
     ·基于增强语义的分类算法第9-11页
     ·基于随机游走的分类算法第11-13页
   ·研究内容与主要贡献第13-14页
     ·本文研究内容第13页
     ·本文主要贡献第13-14页
   ·本文组织结构第14-15页
第2章 相关工作第15-23页
   ·音乐评论分类第15-18页
     ·评论挖掘第15-16页
     ·乐评挖掘第16-17页
     ·文本分类第17-18页
   ·多标签分类第18-21页
     ·基于问题转化的方法第18-19页
     ·基于算法转化的方法第19-21页
     ·随机游走第21页
   ·本章小结第21-23页
第3章 基于增强语义的乐评分类算法SeMep第23-41页
   ·预备知识第23-25页
     ·音乐内容分类第23-24页
     ·语义音乐字典第24-25页
   ·乐评内容分类模型SeMep的建立第25-35页
     ·语义预处理第25-26页
     ·面向分类的短语选择第26-33页
       ·问题描述第27页
       ·向量构造模型第27-28页
       ·Na¨ ve SVM COPS算法第28-32页
       ·启发式COPS算法第32-33页
     ·混淆矩阵的计算第33-35页
   ·乐评内容分类模型SeMep的应用第35-40页
     ·预测流程概述第35-36页
     ·基于散度的分类结果合并第36-38页
     ·基于规则的语义后处理第38-40页
   ·本章小结第40-41页
第4章 基于随机游走的多标签分类算法MLRW第41-61页
   ·预备知识第41-43页
   ·MLRWR:多标签排序问题解决方案第43-53页
     ·概要介绍第43-45页
     ·多标签随机游走图第45-47页
     ·多标签随机游走模型第47-52页
       ·多标签随机游走图系列第47-48页
       ·随机游走第48-49页
       ·初始参数的确定第49-50页
       ·多标签随机游走模型示例第50-52页
     ·条件概率模型第52-53页
   ·MLRWC:多标签分类问题解决方案第53-57页
     ·概述第54-55页
     ·将多标签问题转化为单标签问题第55-57页
   ·讨论第57-60页
     ·MLRW算法中随机游走的收敛性第57-58页
     ·复杂度分析第58-59页
     ·图剪枝第59-60页
   ·本章小结第60-61页
第5章 基于Weka平台的原型系统与实验第61-86页
   ·SeMep原型系统与相关实验第61-71页
     ·原型系统与实验数据集第61-63页
     ·对比方法第63-64页
       ·基线方法第63页
       ·Na¨ ve SeMep方法第63-64页
       ·启发式SeMep方法第64页
     ·语义预处理第64-66页
     ·基线方法与Na¨ ve SeMep方法的对比试验第66-68页
     ·Na¨ ve SeMep方法和启发式SeMep方法的对比试验第68-70页
     ·基于规则的语义后处理第70-71页
   ·MLRW原型系统与相关实验第71-85页
     ·MLRW原型系统和实验数据集第71-72页
     ·多标签度量指标第72-74页
     ·多标签排序方法MLRWR的预测精度第74-76页
     ·多标签分类方法MLRWC的准确性第76-79页
     ·二值分类器对MLRWC预测精度的影响第79-80页
     ·验证集大小对MLRWC预测精度的影响第80-81页
     ·k-剪枝对MLRWC的影响第81-82页
     ·MLRWC与其它算法的性能对比第82-85页
   ·本章小结第85-86页
第6章 总结与展望第86-88页
   ·总结第86-87页
   ·工作展望第87-88页
参考文献第88-93页
致谢第93-94页
个人简历、在学期间发表的学术论文与研究成果第94-95页

论文共95页,点击 下载论文
上一篇:同轴相衬成像相位复原方法及相衬层析摄影合成技术研究
下一篇:虚拟网实验平台设计与实现