摘要 | 第4-5页 |
Abstract | 第5页 |
第1章 绪论 | 第9-16页 |
1.1 课题研究的背景和意义 | 第9-11页 |
1.1.1 课题研究的背景 | 第9-10页 |
1.1.2 课题研究的意义 | 第10-11页 |
1.2 国内外研究现状及分析 | 第11-13页 |
1.2.1 迁移学习研究现状 | 第11-12页 |
1.2.2 异构数据间迁移学习的研究现状 | 第12-13页 |
1.2.3 迁移界限的研究现状 | 第13页 |
1.3 存在的问题 | 第13-14页 |
1.4 本文的研究内容 | 第14-15页 |
1.5 论文组织结构 | 第15-16页 |
第2章 迁移学习界限的理论基础及建立模型所用的相关技术 | 第16-23页 |
2.1 独立同分布数据的相关理论 | 第16-18页 |
2.1.1 独立同分布数据的迁移学习界限 | 第16页 |
2.1.2 独立同分布数据的异构转同构算法 | 第16-18页 |
2.2 关系数据的相关理论 | 第18-20页 |
2.2.1 关系数据 | 第18-19页 |
2.2.2 依赖强度 | 第19页 |
2.2.3 测试集界限 | 第19-20页 |
2.2.4 关系模型生长函数的界 | 第20页 |
2.3 实验相关技术简介 | 第20-22页 |
2.3.1 多线程爬虫的实现技术 | 第20-21页 |
2.3.2 基于正则表达式的正文提取技术 | 第21-22页 |
2.4 本章小结 | 第22-23页 |
第3章 异构关系数据迁移学习界限的相关理论研究 | 第23-41页 |
3.1 问题形式化描述 | 第24-25页 |
3.2 关系数据迁移界限公式的推导 | 第25-35页 |
3.2.1 利用有限样本估算出领域间的近似距离 | 第25-27页 |
3.2.2 领域间近似距离与理论距离间的差距 | 第27-28页 |
3.2.3 求近似距离时所用的异构转同构算法 | 第28-31页 |
3.2.4 利用A散度距离建立目标域分类误差的界限 | 第31-32页 |
3.2.5 目标域分类误差界限的泛化 | 第32-35页 |
3.3 泛化界限理论特性分析 | 第35-40页 |
3.4 本章小结 | 第40-41页 |
第4章 角色识别模型的建立及迁移界限在其中的应用 | 第41-48页 |
4.1 问题形式化 | 第41页 |
4.2 基于统计关系学习的单领域舆论角色识别方法 | 第41-43页 |
4.2.1 舆论角色知识的Markov逻辑网表示 | 第42-43页 |
4.2.2 建立稳定的舆论角色发现模型 | 第43页 |
4.3 迁移学习界限在舆情角色识别中的应用 | 第43-47页 |
4.3.1 舆情角色识别的自适应单源域增强方法 | 第43-44页 |
4.3.2 迁移学习界限在舆情角色识别适应性增强中的应用 | 第44-47页 |
4.4 本章小结 | 第47-48页 |
第5章 异构关系数据迁移学习界限及角色识别模型实验和结果分析 | 第48-70页 |
5.1 实验环境及工具包 | 第48页 |
5.1.1 实验环境 | 第48页 |
5.1.2 实验工具包 | 第48页 |
5.2 实验数据集 | 第48-52页 |
5.2.1 公开数据集简介 | 第49-50页 |
5.2.2 网络舆情数据集 | 第50-52页 |
5.3 实验总体设计 | 第52-53页 |
5.4 实验主要模块详解 | 第53-59页 |
5.4.1 异构转同构求距离实验 | 第53-55页 |
5.4.2 一阶与二阶的相互转化 | 第55-57页 |
5.4.3 改进后的结构学习过程 | 第57-59页 |
5.5 实验过程及结果分析 | 第59-69页 |
5.5.1 异构领域间距离的求解 | 第59-60页 |
5.5.2 角色识别模型的迁移结果 | 第60-68页 |
5.5.3 实验结果及评价 | 第68-69页 |
5.6 本章小结 | 第69-70页 |
结论 | 第70-71页 |
参考文献 | 第71-76页 |
攻读硕士学位期间发表的学术论文 | 第76-78页 |
致谢 | 第78页 |