基于迁移学习的文本分类算法研究
摘要 | 第1页 |
Abstract | 第5-6页 |
详细摘要 | 第6-8页 |
Detailed Abstract | 第8-14页 |
1 绪论 | 第14-24页 |
·研究背景及意义 | 第14-15页 |
·研究背景 | 第14-15页 |
·研究意义 | 第15页 |
·文本分类发展过程 | 第15-16页 |
·迁移学习研究现状 | 第16-17页 |
·迁移学习在文本分类中的应用 | 第17-20页 |
·研究内容及创新点 | 第20-21页 |
·论文组织结构 | 第21-22页 |
·本章小结 | 第22-24页 |
2 相关工作综述 | 第24-40页 |
·文本分类 | 第24-31页 |
·文本表示 | 第24-25页 |
·文本分类算法 | 第25-28页 |
·文本分类的任务与步骤 | 第28-30页 |
·文本分类评价标准 | 第30-31页 |
·迁移学习 | 第31-38页 |
·迁移学习特点 | 第31-32页 |
·迁移学习的研究内容 | 第32-36页 |
·迁移学习的类型 | 第36-38页 |
·迁移学习常用数据集 | 第38页 |
·本章小结 | 第38-40页 |
3 一种改进的特征降维方法 | 第40-56页 |
·特征降维的作用 | 第40-41页 |
·常用特征降维方法 | 第41-46页 |
·特征选择法 | 第41-43页 |
·特征抽取法 | 第43-46页 |
·一种改进的特征降维方法 | 第46-50页 |
·HCD特征选取 | 第47-48页 |
·LSA特征抽取 | 第48-50页 |
·K-means聚类 | 第50页 |
·实验结果与分析 | 第50-55页 |
·实验数据 | 第50页 |
·评价指标 | 第50-51页 |
·实验设置 | 第51页 |
·实验结果及分析 | 第51-55页 |
·实验结论 | 第55页 |
·本章小结 | 第55-56页 |
4 基于图模型的迁移学习算法 | 第56-72页 |
·引言 | 第56页 |
·相关知识介绍 | 第56-57页 |
·聚类 | 第56-57页 |
·图模型 | 第57页 |
·文本间的相似性 | 第57页 |
·基于图模型的迁移学习 | 第57-62页 |
·算法思想 | 第57-58页 |
·问题定义 | 第58页 |
·算法实现 | 第58-61页 |
·算法步骤 | 第61-62页 |
·实验结果与分析 | 第62-70页 |
·实验数据 | 第62-64页 |
·评价指标 | 第64-65页 |
·实验设置 | 第65页 |
·实验结果及分析 | 第65-70页 |
·实验结论 | 第70页 |
·本章小结 | 第70-72页 |
5 基于动态重构模型的迁移学习算法 | 第72-90页 |
·引言 | 第72-74页 |
·相关知识介绍 | 第74-75页 |
·基于数据集动态重构迁移模型 | 第75-79页 |
·算法思想 | 第75页 |
·问题定义 | 第75-76页 |
·算法实现 | 第76-78页 |
·算法步骤 | 第78-79页 |
·实验结果与分析 | 第79-89页 |
·实验数据 | 第79-81页 |
·评价指标 | 第81页 |
·实验设置 | 第81-82页 |
·实验结果及分析 | 第82-88页 |
·实验结论 | 第88-89页 |
·本章小结 | 第89-90页 |
6 基于特征重构的迁移学习算法 | 第90-108页 |
·引言 | 第90页 |
·相关知识介绍 | 第90-92页 |
·流形学习 | 第90-91页 |
·最大间隔投影 | 第91-92页 |
·基于特征重构的迁移模型 | 第92-98页 |
·算法思想 | 第92-93页 |
·问题定义 | 第93页 |
·算法实现 | 第93-97页 |
·算法步骤 | 第97-98页 |
·实验结果与分析 | 第98-106页 |
·实验数据 | 第98-99页 |
·评价指标 | 第99页 |
·实验设置 | 第99-103页 |
·实验结果及分析 | 第103-106页 |
·实验结论 | 第106页 |
·本章小结 | 第106-108页 |
7 总结与展望 | 第108-110页 |
·工作总结及创新性成果 | 第108-109页 |
·进一步的工作 | 第109-110页 |
参考文献 | 第110-116页 |
致谢 | 第116-117页 |
作者简介 | 第117页 |
在学期间发表学术论文及参加科研工作情况 | 第117页 |