基于SSPP-KELM多标签文本分类算法的实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究意义与背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 文本分类研究现状 | 第10-11页 |
| 1.2.2 多标签文本分类研究现状 | 第11-12页 |
| 1.3 本文研究思路 | 第12-14页 |
| 第2章 多标签文本分类相关基础概述 | 第14-22页 |
| 2.1 引言 | 第14-15页 |
| 2.2 多标签数据特征 | 第15-16页 |
| 2.3 多标签特征降维 | 第16-19页 |
| 2.3.1 多标签特征提取 | 第16-18页 |
| 2.3.2 多标签特征选择 | 第18-19页 |
| 2.4 多标签分类算法 | 第19-21页 |
| 2.4.1 多标签分类及其挑战 | 第19页 |
| 2.4.2 多标签分类算法 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 融入标记信息的稀疏保持投影 | 第22-32页 |
| 3.1 引言 | 第22-23页 |
| 3.2 稀疏保持投影 | 第23页 |
| 3.3 融入标记信息的稀疏保持投影 | 第23-25页 |
| 3.3.1 有监督学习 | 第24页 |
| 3.3.2 有监督稀疏保持投影 | 第24-25页 |
| 3.4 SSPP算法实现过程 | 第25-26页 |
| 3.5 实验结果与分析 | 第26-31页 |
| 3.5.1 实验数据 | 第26-27页 |
| 3.5.2 实验方案 | 第27-28页 |
| 3.5.3 降维算法比较实验结果与分析 | 第28-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第4章 基于KELM多标签文本数据分类 | 第32-46页 |
| 4.1 引言 | 第32-33页 |
| 4.2 极限学习机算法 | 第33-36页 |
| 4.2.1 单隐层前馈神经网络 | 第33-34页 |
| 4.2.2 极限学习机 | 第34-36页 |
| 4.3 mercer定理核方法 | 第36-37页 |
| 4.4 基于高斯径向基核极限学习机的多标签分类 | 第37-39页 |
| 4.4.1 核极限学习机 | 第37-38页 |
| 4.4.2 Hausdorff距离 | 第38-39页 |
| 4.5 KELM多标签分类算法原理 | 第39-41页 |
| 4.6 实验结果与分析 | 第41-45页 |
| 4.6.1 数据集与实验方案 | 第41页 |
| 4.6.2 实验结果与分析 | 第41-45页 |
| 4.7 本章小结 | 第45-46页 |
| 第5章 总结与展望 | 第46-47页 |
| 5.1 总结 | 第46页 |
| 5.2 展望 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51页 |
