| 目录 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第9-12页 |
| ·课题背景及研究意义 | 第9-10页 |
| ·本文主要研究工作 | 第10-11页 |
| ·本文组织结构 | 第11-12页 |
| 第2章 多视图学习研究综述 | 第12-14页 |
| ·多视图学习特征提取方法 | 第12页 |
| ·多视图学习分类方法 | 第12-13页 |
| ·其他的多视图学习方法 | 第13-14页 |
| 第3章 基于多视图典型相关分析的垃圾网页检测 | 第14-21页 |
| ·引言 | 第14页 |
| ·典型相关分析方法 | 第14-16页 |
| ·典型相关分析 CCA | 第14-15页 |
| ·核典型相关分析 KCCA | 第15页 |
| ·局部保持典型相关分析 LPCCA | 第15-16页 |
| ·判别典型相关分析 DCCA | 第16页 |
| ·特征抽取后的数据组合方法及分类 | 第16-17页 |
| ·实验结果及分析 | 第17-20页 |
| ·Webspam 数据集 | 第17-18页 |
| ·性能评估 | 第18页 |
| ·特征提取方法和分类器的比较 | 第18-19页 |
| ·两视图数据关联分析前后分类性能比较 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第4章 基于独立成分分析和协同训练的垃圾网页检测 | 第21-29页 |
| ·引言 | 第21页 |
| ·背景知识 | 第21-23页 |
| ·协同训练 | 第21-22页 |
| ·独立成分分析 | 第22-23页 |
| ·本研究提出的方法 | 第23-24页 |
| ·实验结果及分析 | 第24-27页 |
| ·数据集及实验设置 | 第24-25页 |
| ·使用 ICA 方法前后 Co-training 的比较 | 第25-26页 |
| ·ICA 方法有效性的验证 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第5章 使用网页链接结构改进的 SVM 分类器在垃圾网页检测中的应用 | 第29-39页 |
| ·引言 | 第29页 |
| ·相关工作 | 第29-32页 |
| ·最小化类方差支持向量机 MCVSVM | 第29-30页 |
| ·网络链接结构 | 第30-32页 |
| ·使用链接结构的支持向量机的学习 | 第32-35页 |
| ·保持链接结构的类内散布矩阵 | 第32-33页 |
| ·算法求解 | 第33-34页 |
| ·非线性变换 | 第34-35页 |
| ·实验 | 第35-38页 |
| ·数据集的描述和评价指标 | 第35-36页 |
| ·与其他支持向量机方法的性能比较 | 第36-37页 |
| ·间接链接结构的实验 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第6章 垃圾网页检测中内容特征与链接特征的一致模式 | 第39-49页 |
| ·引言 | 第39页 |
| ·相关工作 | 第39-41页 |
| ·多视图的半监督降维 MVSSDR | 第39-40页 |
| ·主成分分析 PCA | 第40页 |
| ·局部保持投影 LPP | 第40-41页 |
| ·内容特征和链接特征的一致模式 | 第41-44页 |
| ·每个视图的降维方法 | 第41-42页 |
| ·约束优化问题 | 第42页 |
| ·迭代算法 | 第42-44页 |
| ·测试样本的一致模式 | 第44页 |
| ·实验 | 第44-48页 |
| ·数据集的描述和评价指标 | 第45页 |
| ·与其它方法的性能比较 | 第45-47页 |
| ·本方法的收敛性 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第7章 总结展望 | 第49-50页 |
| ·研究内容总结 | 第49页 |
| ·下一步工作 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 攻读硕士学位期间发表的论文和参与的项目 | 第53-54页 |
| 致谢 | 第54页 |
