| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-16页 |
| ·研究背景 | 第10页 |
| ·研究现状 | 第10-12页 |
| ·迁移学习的基本概念 | 第12-14页 |
| ·本文的主要工作和创新 | 第14-16页 |
| 2 文献综述 | 第16-22页 |
| ·基于特征的迁移 | 第17-18页 |
| ·基于领域结构的迁移 | 第18-19页 |
| ·基于多视角的迁移 | 第19-20页 |
| ·其他迁移方法 | 第20-22页 |
| 3 使用特征规则进行迁移分类 | 第22-32页 |
| ·RDA迁移算法的基本思路 | 第22-23页 |
| ·方法描述 | 第23-25页 |
| ·枢轴特征选择 | 第23页 |
| ·规则发现 | 第23-25页 |
| ·特征迁移及领域重构 | 第25页 |
| ·数值实验及分析 | 第25-31页 |
| ·实验数据集和分类任务 | 第26页 |
| ·基准方法及评价标准 | 第26-28页 |
| ·实验结果及分析 | 第28-31页 |
| ·关于RDA算法的进一步的讨论 | 第31页 |
| ·本章小结 | 第31-32页 |
| 4 多源领域协同迁移分类 | 第32-45页 |
| ·基本思路 | 第32-33页 |
| ·CMS方法描述 | 第33-40页 |
| ·最小化领域数据分布差异 | 第33-35页 |
| ·多个源领域的协同效应 | 第35-38页 |
| ·构造优化模型及求解 | 第38-40页 |
| ·数值实验及分析 | 第40-44页 |
| ·实验数据集和分类任务 | 第40-41页 |
| ·基准方法及参数设置 | 第41-42页 |
| ·实验结果及分析 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 5 不完备数据条件下基于SFA迁移分类的客户流失预测模型 | 第45-52页 |
| ·应用背景 | 第45页 |
| ·异质客户数据集上的迁移分类方法 | 第45-50页 |
| ·数据预处理 | 第45-46页 |
| ·SFA迁移分类模型 | 第46-49页 |
| ·实例分析 | 第49-50页 |
| ·本章小结 | 第50-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 攻读硕士学位期间项目参加情况 | 第59-60页 |
| 致谢 | 第60-62页 |