基于样例及标记相关性的多标记学习算法研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 多标记分类研究现状 | 第10-12页 |
| 1.2.2 标记相关性研究现状 | 第12页 |
| 1.3 本文主要研究工作 | 第12-13页 |
| 1.4 本文章节安排情况 | 第13-14页 |
| 第2章 多标记学习简介 | 第14-25页 |
| 2.1 多标记学习问题 | 第14-15页 |
| 2.1.1 多标记问题定义 | 第14页 |
| 2.1.2 多标记学习策略 | 第14-15页 |
| 2.2 评价指标 | 第15-18页 |
| 2.2.1 “基于标记”的评价指标 | 第15-16页 |
| 2.2.2 “基于样例”的评价指标 | 第16-18页 |
| 2.3 典型算法简介 | 第18-22页 |
| 2.3.1 ML-KNN算法 | 第18-19页 |
| 2.3.2 分类器链CC算法 | 第19-20页 |
| 2.3.3 RAKEL算法 | 第20-21页 |
| 2.3.4 RANK-SVM算法 | 第21页 |
| 2.3.5 LIFT算法 | 第21-22页 |
| 2.4 数据集 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 一种基于邻域粗糙集的多标记加权分类算法 | 第25-31页 |
| 3.1 引言 | 第25页 |
| 3.2 MLRS算法 | 第25-26页 |
| 3.3 WMLRS算法 | 第26-29页 |
| 3.3.1 WMLRS算法思想 | 第27页 |
| 3.3.2 WMLRS算法描述 | 第27-29页 |
| 3.4 实验结果及分析 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 一种基于类属属性的多标记加权改进算法 | 第31-37页 |
| 4.1 引言 | 第31页 |
| 4.2 LIFT-LOCW算法 | 第31-33页 |
| 4.2.1 LIFT-LOCW算法思想 | 第32-33页 |
| 4.2.2 LIFT-LOCW算法描述 | 第33页 |
| 4.3 实验对比算法简介 | 第33-34页 |
| 4.4 实验结果及分析 | 第34-36页 |
| 4.5 本章小结 | 第36-37页 |
| 第5章 总结与展望 | 第37-39页 |
| 5.1 本文研究工作总结 | 第37页 |
| 5.2 未来研究工作展望 | 第37-39页 |
| 参考文献 | 第39-42页 |
| 攻读硕士学位期间发表的论文和参与的项目 | 第42-43页 |
| 致谢 | 第43页 |
