基于增量学习和阀值优化的自适应信息过滤
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-16页 |
| ·信息过滤研究的背景 | 第9页 |
| ·信息过滤的概念，分类和评测 | 第9-10页 |
| ·自适应信息过滤 | 第10-11页 |
| ·研究的现状和当前研究的重点 | 第11-13页 |
| ·国内外研究的现状 | 第11-12页 |
| ·研究的技术路线 | 第12页 |
| ·当前研究中的难点和重点 | 第12-13页 |
| ·论文的重点和研究方法 | 第13-15页 |
| ·研究重点 | 第13-14页 |
| ·研究方法 | 第14-15页 |
| ·本文所做的具体工作 | 第15页 |
| ·论文的组织 | 第15-16页 |
| 2 自适应信息过滤 | 第16-28页 |
| ·自适应信息过滤概念和特点 | 第16-17页 |
| ·自适应信息过滤概念 | 第16页 |
| ·自适应信息过滤的特点 | 第16-17页 |
| ·自适应信息过滤模型 | 第17-21页 |
| ·布尔模型 | 第17-18页 |
| ·向量空间模型 | 第18-19页 |
| ·概率模型 | 第19-20页 |
| ·其他模型 | 第20-21页 |
| ·自适应信息过滤新模型 | 第21-22页 |
| ·自适应信息过滤流程 | 第22-24页 |
| ·TREC信息过滤任务与评测 | 第24-28页 |
| ·TREC信息过滤任务 | 第24-25页 |
| ·信息过滤评测 | 第25-28页 |
| 3 自适应信息过滤训练 | 第28-43页 |
| ·信息的预处理和特征选取 | 第28-35页 |
| ·web网页文本信息的抽取 | 第28-31页 |
| ·特征的提取 | 第31-33页 |
| ·特征项的向量化 | 第33-35页 |
| ·过滤模板(Profile)的训练 | 第35-43页 |
| ·初始模板的建立 | 第35-38页 |
| ·伪相关反馈学习 | 第38-40页 |
| ·需求模板(profile)的训练 | 第40-43页 |
| 4 自适应信息过滤测试 | 第43-52页 |
| ·自适应信息过滤的阈值优化 | 第43-49页 |
| ·阈值自适应调整方法简介 | 第43-45页 |
| ·一种新的阈值自适应调整方法 | 第45-47页 |
| ·文档相关信息的判定策略 | 第47-49页 |
| ·用户反馈的阈值自适应调整 | 第49-50页 |
| ·用户反馈的模板自适应调整 | 第50-52页 |
| ·模板向量的调整 | 第50-51页 |
| ·模板特征的学习 | 第51-52页 |
| 5 实验结果与分析 | 第52-62页 |
| ·系统平台和语料来源 | 第52页 |
| ·实验结果分析 | 第52-60页 |
| ·训练集上两种伪相关反馈学习方法实验 | 第52-54页 |
| ·增量学习伪相关反馈中两种特征选择方法试验 | 第54-55页 |
| ·测试集上阈值调整的试验 | 第55-57页 |
| ·测试集上用户反馈模板调整的实验 | 第57-59页 |
| ·系统整体性能比较实验 | 第59-60页 |
| ·实验总结 | 第60-61页 |
| ·下一步的工作和目标 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录A Html文档标签及其权重 | 第67-68页 |
| 附录B 单次反馈学习与增量学习在训练集上实验数据 | 第68-69页 |
| 附录C 增量学习中两种特征选择方法实验数据 | 第69-70页 |
| 附录D 单次反馈与增量学习测试集上实验数据 | 第70-71页 |
| 攻读硕士学位期间发表学术论文情况 | 第71-72页 |
| 致谢 | 第72-73页 |
| 大连理工大学学位论文版权使用授权书 | 第73页 |
