在稀疏向量和多重分割框架下本体学习相似度算法

摘要	第3-4页
Abstract	第4-5页
第1章 引言	第8-16页
1.1 本体简介	第8-10页
1.2 本体函数学习的多重分割框架	第10-14页
1.3 利用稀疏向量得到本体函数	第14-15页
1.4 小结	第15-16页
第2章 统计学习理论简介	第16-26页
2.1 一些机器学习的例子	第16-19页
2.2 学习框架	第19-21页
2.3 假设空间和目标函数	第21-22页
2.4 逼近和广义误差	第22-23页
2.5 大偏置和大方差问题	第23-26页
第3章 多重分割框架下的本体学习算法	第26-41页
3.1 计算框架和符号	第26-30页
3.2 代价函数和广义亏损函数	第30-32页
3.3 最优本体函数的刻画	第32-37页
3.4 凸期望最小	第37-41页
第4章 本体稀疏向量计算策略	第41-49页
4.1 本体学习框架下的稀疏向量学习	第41-42页
4.2 本体稀疏向量的惩罚函数	第42-44页
4.3 本体稀疏向量的惩罚函数回归算法	第44-45页
4.4 指标集框架下的本体稀疏向量学习算法	第45-49页
第5章 总结与展望	第49-50页
参考文献	第50-53页
攻读学位期间发表的学术论文和研究成果	第53-54页
致谢	第54页