| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 论文研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 多示例多标签分类研究现状 | 第12-13页 |
| 1.2.2 最小二乘双支持向量机研究现状 | 第13-14页 |
| 1.2.3 文本分类研究现状 | 第14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第二章 相关技术 | 第17-26页 |
| 2.1 数据预处理技术及文本表示 | 第17-18页 |
| 2.1.1 数据预处理技术 | 第17页 |
| 2.1.2 文本表示 | 第17-18页 |
| 2.2 文本分类算法 | 第18-21页 |
| 2.2.1 决策树分类 | 第18页 |
| 2.2.2 朴素贝叶斯分类 | 第18-19页 |
| 2.2.3 K近邻分类器 | 第19页 |
| 2.2.4 支持向量机 | 第19-21页 |
| 2.3 多示例多标签学习 | 第21-25页 |
| 2.3.1 多示例学习 | 第21页 |
| 2.3.2 多标签分类 | 第21-23页 |
| 2.3.3 多示例多标签算法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 多示例文本表示 | 第26-32页 |
| 3.1 引言 | 第26-27页 |
| 3.2 多示例文本表示 | 第27-30页 |
| 3.2.1 句子包 | 第27-28页 |
| 3.2.2 句子相似度计算 | 第28-29页 |
| 3.2.3 包距离度量 | 第29-30页 |
| 3.3 改进的多示例文本表示 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 改进的ML-LSTSVM多标签分类算法研究 | 第32-39页 |
| 4.1 引言 | 第32页 |
| 4.2 LSTSVM工作原理 | 第32-36页 |
| 4.2.1 双支持向量机 | 第32-34页 |
| 4.2.2 线性最小二乘双支持向量机 | 第34-35页 |
| 4.2.3 非线性最小二乘双支持向量机 | 第35-36页 |
| 4.3 最小二乘双支持向量机多标签分类算法 | 第36-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 实验环境及结果分析 | 第39-45页 |
| 5.1 实验环境 | 第39页 |
| 5.2 实验数据及流程 | 第39-41页 |
| 5.2.1 实验数据集 | 第39-40页 |
| 5.2.2 实验方法和评价 | 第40页 |
| 5.2.3 实验流程 | 第40-41页 |
| 5.3 实验结果与分析 | 第41-44页 |
| 5.4 本章总结 | 第44-45页 |
| 第六章 总结与展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 发表论文和科研情况说明 | 第51-52页 |
| 致谢 | 第52页 |