| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 研究现状 | 第13-17页 |
| 1.3.1 微博用户个人与非个人识别 | 第13-14页 |
| 1.3.2 微博用户性别分类 | 第14-16页 |
| 1.3.3 微博用户年龄识别 | 第16-17页 |
| 1.4 研究内容 | 第17-18页 |
| 1.5 组织结构 | 第18-20页 |
| 第2章 相关知识介绍 | 第20-29页 |
| 2.1 文本表示模型 | 第20-21页 |
| 2.2 特征提取方法 | 第21-23页 |
| 2.3 最大熵分类方法 | 第23-25页 |
| 2.3.1 最大熵原理 | 第24页 |
| 2.3.2 最大熵模型 | 第24-25页 |
| 2.4 支持向量机回归模型 | 第25页 |
| 2.5 协同训练算法 | 第25-27页 |
| 2.6 常用分类器融合算法框架 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第3章 微博中个人与非个人用户分类方法 | 第29-39页 |
| 3.1 问题描述及相关研究 | 第29-30页 |
| 3.2 语料库描述 | 第30页 |
| 3.3 基于用户名和微博的个人和非个人用户分类方法 | 第30-33页 |
| 3.3.1 特征介绍 | 第31-32页 |
| 3.3.2 分类器融合 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-38页 |
| 3.4.1 实验设置 | 第33-34页 |
| 3.4.2 不同特征分类结果比较 | 第34-35页 |
| 3.4.3 不同特征提取方法结果分析 | 第35-36页 |
| 3.4.4 不同分类方法结果分析 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于交互式信息的半监督性别分类方法 | 第39-49页 |
| 4.1 问题描述及相关研究 | 第39-40页 |
| 4.2 语料库描述 | 第40-42页 |
| 4.3 基于协同训练的半监督性别分类 | 第42-44页 |
| 4.3.1 全监督学习方法 | 第42-43页 |
| 4.3.2 半监督学习方法 | 第43-44页 |
| 4.4 实验结果与分析 | 第44-48页 |
| 4.4.1 实验设置 | 第44页 |
| 4.4.2 全监督性别分类实验结果 | 第44-47页 |
| 4.4.3 半监督性别分类实验结果 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于文本和社交信息的半监督年龄回归方法 | 第49-61页 |
| 5.1 问题描述及相关研究 | 第49-51页 |
| 5.2 语料库描述 | 第51页 |
| 5.3 基于文本和社交信息的半监督年龄回归 | 第51-55页 |
| 5.3.1 文本和社交视图 | 第52-53页 |
| 5.3.2 基于文本和社交视图的协同训练算法 | 第53-54页 |
| 5.3.3 基于QBC的高置信度高样本选择方法 | 第54-55页 |
| 5.4 实验结果与分析 | 第55-60页 |
| 5.4.1 实验设置 | 第56-57页 |
| 5.4.2 数据平衡情况下的实验结果 | 第57-58页 |
| 5.4.3 数据不平衡情况下的实验结果 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-64页 |
| 6.1 研究工作总结 | 第61-62页 |
| 6.2 下一步工作设想 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读学位期间公开发表的论文 | 第70页 |
| 攻读学位期间公开申请的专利 | 第70-71页 |
| 攻读学位期间参与的科研项目 | 第71-72页 |
| 致谢 | 第72-74页 |