面向词袋模型的相似性度量方法在特征降维中的应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 本文的组织结构 | 第16-18页 |
| 第二章 相关技术分析 | 第18-31页 |
| 2.1 词袋模型 | 第18-19页 |
| 2.2 相似度度量方法 | 第19-25页 |
| 2.2.1 词袋模型下的常用的相似性度量方法 | 第19-21页 |
| 2.2.2 面向概率分布的相似性度量方法 | 第21-23页 |
| 2.2.3 相似性度量的其它方法 | 第23-25页 |
| 2.3 特征选择 | 第25-28页 |
| 2.3.1 特征选择的定义 | 第25页 |
| 2.3.2 特征选择的技术框架 | 第25-27页 |
| 2.3.3 特征选择算法分类 | 第27-28页 |
| 2.4 特征提取 | 第28-30页 |
| 2.4.1 线性特征提取算法 | 第29-30页 |
| 2.4.2 特征提取与特征选择的异同 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于类条件概率的词语降维算法 | 第31-42页 |
| 3.1 问题背景 | 第31页 |
| 3.2 词义相似度度量 | 第31-33页 |
| 3.2.1 类条件概率分布 | 第31-32页 |
| 3.2.2 Jensen-Shannon散度 | 第32-33页 |
| 3.3 词簇抽取算法—WCE算法 | 第33-36页 |
| 3.3.1 WCE算法过程 | 第33-35页 |
| 3.3.2 合并后的词簇表达 | 第35-36页 |
| 3.4 有监督的评价准则模型 | 第36-39页 |
| 3.4.1 损失函数 | 第36-37页 |
| 3.4.2 评价准则模型 | 第37-38页 |
| 3.4.3 模型相关参数的选择 | 第38-39页 |
| 3.5 降维算法的一般流程 | 第39-40页 |
| 3.5.1 算法流程 | 第39-40页 |
| 3.5.2 终止条件的设定策略 | 第40页 |
| 3.6 本章小结 | 第40-42页 |
| 第四章 实验设计与分析 | 第42-56页 |
| 4.1 数据集和实验环境 | 第42页 |
| 4.2 降维对损失函数的影响分析 | 第42-45页 |
| 4.3 降维算法对检索的影响 | 第45-48页 |
| 4.3.1 检索实验效果的评价指标 | 第45-46页 |
| 4.3.2 实验结果与分析 | 第46-48页 |
| 4.4 降维算法对分类的影响 | 第48-54页 |
| 4.4.1 分类实验的评价指标 | 第48-50页 |
| 4.4.2 实验结果与分析 | 第50-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间发表论文 | 第62-64页 |
| 致谢 | 第64页 |
