| 摘要 | 第1-6页 |
| 英文摘要 | 第6-13页 |
| 图目录 | 第13-17页 |
| 表目录 | 第17-18页 |
| 第一章 绪论 | 第18-26页 |
| ·引言 | 第18-20页 |
| ·统计上下文分析简介 | 第20-23页 |
| ·本文的贡献 | 第23-24页 |
| ·论文的组织 | 第24-26页 |
| 第二章 相关研究综述 | 第26-50页 |
| ·统计关系学习 | 第26-35页 |
| ·关系学习和统计学习的交汇点 | 第27-28页 |
| ·任务 | 第28-30页 |
| ·学习框架与模型 | 第30-33页 |
| ·数据集 | 第33-34页 |
| ·小结 | 第34-35页 |
| ·上下文分析 | 第35-48页 |
| ·上下文的概念 | 第36-38页 |
| ·上下文的分类 | 第38-39页 |
| ·基于上下文的学习算法 | 第39-42页 |
| ·上下文分析方法的应用 | 第42-45页 |
| ·小结 | 第45-48页 |
| ·总结 | 第48-50页 |
| 第三章 基于多粒度语义模型的Web站点挖掘算法 | 第50-84页 |
| ·引言 | 第50-53页 |
| ·相关工作 | 第53-54页 |
| ·多粒度语义模型 | 第54-62页 |
| ·Web站点结构模型 | 第55-57页 |
| ·上下文模型 | 第57-60页 |
| ·两种站点描述模型 | 第60-62页 |
| ·Web站点分类算法 | 第62-69页 |
| ·隐Markov树模型及其学习算法 | 第63-65页 |
| ·基于HMT模型的两阶段分类算法 | 第65-67页 |
| ·多粒度分类算法 | 第67-69页 |
| ·去噪和剪枝 | 第69-72页 |
| ·两阶段去噪 | 第69-70页 |
| ·基于熵的剪枝 | 第70-72页 |
| ·实验及分析 | 第72-80页 |
| ·数据集 | 第72-73页 |
| ·Web站点分类实验 | 第73-76页 |
| ·Web站点挖掘实验 | 第76-80页 |
| ·小结 | 第80页 |
| ·应用系统iExpert | 第80-83页 |
| ·总结 | 第83-84页 |
| 第四章 学习上下文依赖网络模型 | 第84-117页 |
| ·问题描述 | 第84-87页 |
| ·上下文依赖网络模型 | 第87-94页 |
| ·依赖网络模型简介 | 第87-89页 |
| ·上下文依赖网络 | 第89-91页 |
| ·隐上下文依赖网络 | 第91-93页 |
| ·讨论 | 第93-94页 |
| ·建模关系上下文 | 第94-100页 |
| ·计算上下文依赖函数 | 第94-98页 |
| ·上下文优化 | 第98-100页 |
| ·学习和推理 | 第100-105页 |
| ·参数估计 | 第101-103页 |
| ·Gibbs推理 | 第103-105页 |
| ·实验与分析 | 第105-116页 |
| ·数据集 | 第106-107页 |
| ·实验设计 | 第107-109页 |
| ·结果与分析 | 第109-115页 |
| ·讨论 | 第115-116页 |
| ·总结 | 第116-117页 |
| 第五章 链接语义核 | 第117-150页 |
| ·链接规律与模式 | 第117-122页 |
| ·定性描述 | 第117-118页 |
| ·定量量化 | 第118-121页 |
| ·链接规律性对统计关系模型的影响 | 第121-122页 |
| ·链接关系向量模型 | 第122-124页 |
| ·链接语义核 | 第124-130页 |
| ·核方法简介 | 第124-126页 |
| ·链接核 | 第126-127页 |
| ·潜在链接语义核 | 第127-130页 |
| ·分类任务 | 第130-136页 |
| ·分类模型 | 第130-131页 |
| ·实验设计 | 第131-132页 |
| ·结果及讨论 | 第132-136页 |
| ·相关网页发现任务 | 第136-143页 |
| ·KernelRank模型 | 第137-138页 |
| ·实验及结果 | 第138-142页 |
| ·讨论 | 第142-143页 |
| ·基于块的链接语义核计算方法BlockKernel | 第143-149页 |
| ·链接数据的块结构 | 第143-144页 |
| ·BlockKernel算法 | 第144-146页 |
| ·实验及结果 | 第146-149页 |
| ·总结 | 第149-150页 |
| 第六章 基于多上下文模型的Web图像分类 | 第150-174页 |
| ·语义图像分类概述 | 第150-152页 |
| ·ConWic系统框架 | 第152-154页 |
| ·Web图像描述模型 | 第154-159页 |
| ·视觉特征描述 | 第155-156页 |
| ·文本特征描述 | 第156-157页 |
| ·链接特征描述 | 第157-159页 |
| ·多上下文建模 | 第159-162页 |
| ·跨模态相关分析 | 第159-161页 |
| ·链接相关模型 | 第161-162页 |
| ·分类模型 | 第162-164页 |
| ·实验及分析 | 第164-173页 |
| ·数据集 | 第164页 |
| ·结果与分析 | 第164-173页 |
| ·总结 | 第173-174页 |
| 第七章 在线社会网络的影响力模型及其增量学习算法 | 第174-193页 |
| ·引言 | 第174-176页 |
| ·背景知识 | 第176-179页 |
| ·IM模型 | 第177-178页 |
| ·耦合隐Markov模型 | 第178-179页 |
| ·在线社会网络的影响力模型 | 第179-181页 |
| ·模型学习 | 第181-183页 |
| ·扩展前向-后向程序 | 第181-182页 |
| ·增量学习算法 | 第182-183页 |
| ·实验及分析 | 第183-192页 |
| ·合成数据实验 | 第184-186页 |
| ·协作信息搜索实验 | 第186-188页 |
| ·在线病毒式行销实验 | 第188-192页 |
| ·总结 | 第192-193页 |
| 第八章 结束语 | 第193-196页 |
| ·论文工作总结 | 第193-194页 |
| ·未来工作展望 | 第194-196页 |
| 参考文献 | 第196-215页 |
| 致谢 | 第215-216页 |
| 作者简历 | 第216-217页 |