| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 论文研究背景与意义 | 第13-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 论文的研究目标与内容 | 第18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 第二章 多标签学习关联理论及技术 | 第20-35页 |
| 2.1 多标签学习的基本概念 | 第20-22页 |
| 2.2 基于问题自身的转化方法 | 第22-28页 |
| 2.2.1 二类分类算法BR | 第22-24页 |
| 2.2.2 链式分类器算法CC | 第24-25页 |
| 2.2.3 校准标签排序算法CLR | 第25-27页 |
| 2.2.4 随机标签组合算法RAKEL | 第27-28页 |
| 2.3 基于现有算法的改进方法 | 第28-34页 |
| 2.3.1 基于k近邻改进算法ML-KNN | 第28-29页 |
| 2.3.2 基于决策树改进算法ML-DT | 第29-30页 |
| 2.3.3 基于SVM改进算法Rank-SVM | 第30-32页 |
| 2.3.4 基于信息熵改进算法CML | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于RBF神经网络和标签关联的多标签学习 | 第35-47页 |
| 3.1 算法的总体设计 | 第35-36页 |
| 3.2 利用标签关联信息 | 第36-37页 |
| 3.3 剪枝策略 | 第37-39页 |
| 3.4 标签关联度 | 第39-41页 |
| 3.4.1 皮尔逊相关系数 | 第39-40页 |
| 3.4.2 斯皮尔曼等级相关系数 | 第40-41页 |
| 3.4.3 共生系数 | 第41页 |
| 3.5 基于RBF神经网络和标签关联的多标签学习算法 | 第41-46页 |
| 3.5.1 RBF神经网络 | 第42-43页 |
| 3.5.2 构建标签特定特征 | 第43-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 实验设计与结果分析 | 第47-58页 |
| 4.1 实验设计与参数设置 | 第47-53页 |
| 4.1.1 数据集描述 | 第47-48页 |
| 4.1.2 评价准则 | 第48-49页 |
| 4.1.3 实验环境 | 第49页 |
| 4.1.4 实验参数设置 | 第49-53页 |
| 4.2 实验结果及分析 | 第53-57页 |
| 4.2.1 Yeast数据集性能表现与分析 | 第54页 |
| 4.2.2 Image数据集性能表现与分析 | 第54-55页 |
| 4.2.3 Scene数据集性能表现与分析 | 第55-56页 |
| 4.2.4 Emotions数据集性能表现与分析 | 第56页 |
| 4.2.5 Enron数据集性能表现与分析 | 第56-57页 |
| 4.2.6 运行时间对比与分析 | 第57页 |
| 4.3 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 全文回顾与总结 | 第58页 |
| 5.2 未来研究展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-67页 |