| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第7-15页 |
| ·概率混合模型的一般形式 | 第8-9页 |
| ·概率混合模型的特性与功能 | 第9-11页 |
| ·一般概率混合模型的局限性 | 第11-12页 |
| ·本文的研究内容与结构 | 第12-15页 |
| 第二章 概率混合模型初步 | 第15-29页 |
| ·有限概率混合模型 | 第15-17页 |
| ·极大似然估计 | 第17-19页 |
| ·期望最大化算法 | 第19-23页 |
| ·模型复杂度与模型选择 | 第23-27页 |
| ·非参数概率混合模型 | 第27-29页 |
| 第三章 增量式混合模型:从一般到特定 | 第29-51页 |
| ·增量式混合模型的一般学习框架 | 第29-32页 |
| ·一种基于"从一般到特定"学习策略的递归式混合模型 | 第32-42页 |
| ·"从一般到特定"的递归学习策略 | 第33-36页 |
| ·递归式混合模型的学习框架 | 第36-38页 |
| ·递归学习中高斯混合模型的更新 | 第38-41页 |
| ·可视化例子 | 第41-42页 |
| ·应用:自适应特定图像的肤色模型 | 第42-49页 |
| ·皮肤区域分割的背景与难点 | 第42-44页 |
| ·从"一般肤色模型"到"特定肤色模型" | 第44-45页 |
| ·实验结果与分析 | 第45-49页 |
| ·本章小结 | 第49-51页 |
| 第四章 判别式混合模型:最大化簇间距 | 第51-73页 |
| ·基于概率混合模型的判别式模型 | 第51-56页 |
| ·一种基于"最大化簇间距"准则的判别式混合模型 | 第56-66页 |
| ·正负簇间距最大化准则 | 第56-59页 |
| ·支持簇机(Support Cluster Machine) | 第59-63页 |
| ·支持簇机与其它模型之间的关联 | 第63-65页 |
| ·可视化例子 | 第65-66页 |
| ·应用:大规模数据分类与隐私保护数据挖掘 | 第66-71页 |
| ·大规模数据分类 | 第67-69页 |
| ·隐私保护数据挖掘 | 第69-71页 |
| ·本章小结 | 第71-73页 |
| 第五章 双向式混合模型:跨域知识共享 | 第73-94页 |
| ·从联合聚类到双向式混合模型 | 第73-77页 |
| ·一种用于"跨域知识共享"的双向式混合模型 | 第77-87页 |
| ·基于联合聚类的跨域知识共享 | 第77-80页 |
| ·评分矩阵生成模型(Rating-Matrix Generative Model) | 第80-85页 |
| ·跨域评分矩阵之间的散度 | 第85-87页 |
| ·应用:知识可共享的跨域协同过滤 | 第87-92页 |
| ·协同过滤的背景与难点 | 第87-88页 |
| ·基于评分矩阵生成模型的跨域协同过滤 | 第88-90页 |
| ·实验结果与分析 | 第90-92页 |
| ·本章小结 | 第92-94页 |
| 第六章 总结与展望 | 第94-96页 |
| 参考文献 | 第96-104页 |
| 数学符号对照表 | 第104-105页 |
| 发表论文列表 | 第105-106页 |
| 致谢 | 第106-107页 |
