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 |