| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景与意义 | 第7-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 半监督学习 | 第9-10页 |
| 1.2.2 PU学习 | 第10-11页 |
| 1.3 本文主要工作 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 第二章 相关工作 | 第13-19页 |
| 2.1 “两阶段”式PU学习算法 | 第13-14页 |
| 2.2 基于图的半监督学习中常见的构图方式 | 第14-15页 |
| 2.3 常见的样本相似性衡量方法 | 第15-16页 |
| 2.4 标签传播算法 | 第16-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第三章 构图与衡量样本相似度的研究 | 第19-28页 |
| 3.1 构图方式的对比 | 第19-20页 |
| 3.2 基于欧式距离的相似性衡量方法与基于路径的相似性衡量方法 | 第20-25页 |
| 3.2.1 案例一：一个简单的标签传播案例 | 第21-22页 |
| 3.2.2 案例二：手写体数字的光学字符识别 | 第22-25页 |
| 3.3 基于路径的相似性指标 | 第25-26页 |
| 3.4 基于局部路径的相似性指标与Katz指标 | 第26-27页 |
| 3.5 本章小结 | 第27-28页 |
| 第四章 PU-LP：基于标签传播的PU学习算法 | 第28-36页 |
| 4.1 问题描述 | 第28-29页 |
| 4.2 扩大正例样本集并抽取可靠的负例样本 | 第29-34页 |
| 4.2.1 迭扩大代地扩大正例样本集P | 第30-32页 |
| 4.2.2 基于扩大后的P抽取负例样本集RN | 第32-34页 |
| 4.3 构建最终的分类器 | 第34-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第五章 实验与评估 | 第36-47页 |
| 5.1 实验设计 | 第37-39页 |
| 5.2 分类器性能比较 | 第39-41页 |
| 5.3 算法参数实验 | 第41-45页 |
| 5.3.1 关于参数α的实验 | 第41-42页 |
| 5.3.2 关于参数λ的实验 | 第42-44页 |
| 5.3.3 关于迭代次数的实验 | 第44-45页 |
| 5.4 本章小结 | 第45-47页 |
| 第六章 总结与展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 在学期间研究成果 | 第52-53页 |
| 致谢 | 第53页 |