面向文本数据的半监督学习研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 目录 | 第10-12页 |
| 1 绪论 | 第12-36页 |
| ·研究背景和研究意义 | 第12-13页 |
| ·研究现状及存在的问题 | 第13-33页 |
| ·监督信息的获取 | 第13-14页 |
| ·文本表示 | 第14-22页 |
| ·半监督学习算法 | 第22-33页 |
| ·研究内容及主要思路 | 第33-34页 |
| ·论文的结构 | 第34-36页 |
| 2 监督信息的获取 | 第36-50页 |
| ·选取标注样本 | 第36-42页 |
| ·基于近邻信息的标注样本选取方法 | 第36-39页 |
| ·实验及分析 | 第39-42页 |
| ·特征与文档同步标注 | 第42-49页 |
| ·文档标注策略 | 第42-44页 |
| ·CW型半监督学习方法 | 第44-45页 |
| ·实验及分析 | 第45-49页 |
| ·本章小结 | 第49-50页 |
| 3 融合文本表示的半监督学习框架 | 第50-68页 |
| ·半监督学习 | 第50-51页 |
| ·文本表示 | 第51-52页 |
| ·无监督特征加权方法 | 第51页 |
| ·有监督特征加权方法 | 第51-52页 |
| ·文本表示方法tf.sdf | 第52-57页 |
| ·表示与分类同步的半监督学习框架 | 第57-60页 |
| ·SSTR框架 | 第57-59页 |
| ·SSTR框架的复杂度 | 第59-60页 |
| ·实验 | 第60-67页 |
| ·实验环境 | 第60页 |
| ·数据集 | 第60页 |
| ·分类中的文本表示 | 第60-63页 |
| ·SSTR框架的性能 | 第63-67页 |
| ·本章小结 | 第67-68页 |
| 4 基于多类型惩罚的非负矩阵分解 | 第68-84页 |
| ·非负矩阵分解 | 第68-70页 |
| ·基于成对约束的非负矩阵分解 | 第70-74页 |
| ·多类型惩罚的非负矩阵分解 | 第74-79页 |
| ·基于Must-link约束的惩罚 | 第74-75页 |
| ·基于Cannot-link约束的惩罚 | 第75-76页 |
| ·多类型惩罚的NMF方法 | 第76-79页 |
| ·实验 | 第79-82页 |
| ·实验环境 | 第80页 |
| ·数据集 | 第80页 |
| ·对比算法 | 第80-81页 |
| ·评价指标 | 第81页 |
| ·结果 | 第81-82页 |
| ·本章小结 | 第82-84页 |
| 5 相似度矩阵上的非负矩阵分解 | 第84-102页 |
| ·相似度矩阵分解 | 第84-85页 |
| ·提出的方法 | 第85-92页 |
| ·目标函数 | 第85-87页 |
| ·KKT条件证明 | 第87-88页 |
| ·收敛性证明 | 第88-92页 |
| ·实验 | 第92-100页 |
| ·实验环境 | 第92-93页 |
| ·对比算法 | 第93页 |
| ·一般UCI数据上的实验 | 第93-97页 |
| ·文本数据上的实验 | 第97-99页 |
| ·社会网络数据上的实验 | 第99-100页 |
| ·本章小结 | 第100-102页 |
| 6 总结与展望 | 第102-104页 |
| ·本文工作总结 | 第102-103页 |
| ·今后工作展望 | 第103-104页 |
| 参考文献 | 第104-114页 |
| 攻读博士学位期间发表的学术论文 | 第114-118页 |
| 学位论文数据集 | 第118页 |
