| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的工作与安排 | 第12-14页 |
| 第二章 相关理论 | 第14-28页 |
| 2.1 二分类学习的概述 | 第14-17页 |
| 2.2 支持向量机的概述 | 第17-21页 |
| 2.2.1 支持向量机的基本原理 | 第17-18页 |
| 2.2.2 线性支持向量机 | 第18-21页 |
| 2.2.3 支持向量机的实现 | 第21页 |
| 2.3 二分类学习的度量标准——F-measure | 第21-24页 |
| 2.4 代价敏感学习算法概述 | 第24-26页 |
| 2.5 直接优化F-measure算法概述 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 一种融合代价敏感与直接优化F-measure的新型算法 | 第28-41页 |
| 3.1 从直接优化F-measure到代价敏感SVM | 第28-30页 |
| 3.2 基于束方法算法的优化 | 第30-35页 |
| 3.2.1 束方法的基本思想 | 第30-33页 |
| 3.2.2 基于束方法的求解过程 | 第33-35页 |
| 3.3 实验结果与分析 | 第35-40页 |
| 3.3.1 折中因子对实验结果影响 | 第36-37页 |
| 3.3.2 代价参数对实验结果影响 | 第37-38页 |
| 3.3.3 不同算法性能对比实验 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 面向大规模应用的高效直接优化F-measure算法 | 第41-53页 |
| 4.1 BM-CS算法的主问题波动 | 第41-42页 |
| 4.2 高效直接优化F-measure算法的实现 | 第42-47页 |
| 4.2.1 算法的基本思想 | 第42-46页 |
| 4.2.2 高效线性搜索算法的实现 | 第46-47页 |
| 4.3 算法的复杂度分析 | 第47-48页 |
| 4.4 实验结果与分析 | 第48-52页 |
| 4.4.1 实验数据集及比较算法 | 第48-49页 |
| 4.4.2 对比实验与分析 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 论文总结 | 第53页 |
| 5.2 工作展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-62页 |
| 攻读硕士学位期间发表的论文 | 第62-63页 |
| 攻读硕士学位期间参加的科研项目 | 第63页 |
