| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-18页 |
| ·研究意义 | 第9-10页 |
| ·国内外研究现状 | 第10-16页 |
| ·基于问题转换的方法 | 第10-13页 |
| ·基于算法改进的方法 | 第13-16页 |
| ·研究内容 | 第16-17页 |
| ·基于粒计算的懒惰型多标签学习方法 | 第16页 |
| ·基于K近邻与随机游走模型的多标签学习方法 | 第16-17页 |
| ·本文的组织结构 | 第17-18页 |
| 第二章 多标签学习相关理论简介 | 第18-28页 |
| ·多标签学习的概念 | 第18-19页 |
| ·多标签数据集的描述标准 | 第19页 |
| ·多标签学习常用方法 | 第19-25页 |
| ·一种新型多标记懒惰学习算法(IMLLA) | 第19-23页 |
| ·一种基于随机游走模型的多标签分类方法(MLRW) | 第23-25页 |
| ·多标签学习常用评价指标 | 第25-27页 |
| ·汉明损失 | 第25-26页 |
| ·1-错误率 | 第26页 |
| ·覆盖率 | 第26页 |
| ·排序损失 | 第26-27页 |
| ·平均精度 | 第27页 |
| ·本章小结 | 第27-28页 |
| 第三章 基于粒计算的多标签懒惰学习方法 | 第28-42页 |
| ·本章所用符号定义 | 第29-30页 |
| ·粒计算 | 第30-33页 |
| ·粒计算定义 | 第30页 |
| ·粒计算的组成 | 第30-31页 |
| ·粒计算的基本问题 | 第31-32页 |
| ·粒计算的主要理论模型 | 第32-33页 |
| ·基于粒计算的多标签懒惰学习方法 | 第33-38页 |
| ·实验与分析 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 基于K近邻与随机游走模型的多标签学习方法 | 第42-52页 |
| ·本章所用符号定义 | 第42-43页 |
| ·基于K近邻与随机游走模型的多标签分类算法(ML-RWKNN) | 第43-50页 |
| ·K近邻图的构建 | 第44-45页 |
| ·KNN随机游走图上的随机游走过程 | 第45-48页 |
| ·阈值选取方法 | 第48-50页 |
| ·算法复杂度对比分析 | 第50页 |
| ·本章小结 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| ·本文研究工作总结 | 第52页 |
| ·进一步研究展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 攻读硕士期间的科研成果 | 第60页 |