基于坐标下降法的半监督学习算法及其在文本分类中的应用
| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 第一章 绪论 | 第10-13页 |
| ·课题背景及意义 | 第10页 |
| ·国内外研究现状 | 第10-12页 |
| ·本文主要工作 | 第12-13页 |
| 第二章 文本分类概述 | 第13-22页 |
| ·文本分类的一般过程 | 第13页 |
| ·文本的预处理 | 第13-15页 |
| ·向量空间模型 | 第15-16页 |
| ·特征选择 | 第16-19页 |
| ·文本频率 | 第18页 |
| ·信息增益 | 第18页 |
| ·互信息 | 第18-19页 |
| ·CHI | 第19页 |
| ·相似性度量 | 第19-21页 |
| ·余弦相似性 | 第19页 |
| ·Jaccard相似性 | 第19-20页 |
| ·摘要相似性 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 半监督分类算法 | 第22-31页 |
| ·混合模型和EM算法 | 第22-24页 |
| ·协同训练策略 | 第24-25页 |
| ·基于图的半监督学习 | 第25-27页 |
| ·半监督支撑向量机 | 第27-29页 |
| ·评估指标 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第四章 坐标下降法 | 第31-45页 |
| ·坐标下降法解SVM | 第31-34页 |
| ·牛顿法 | 第32-33页 |
| ·CMLS | 第33-34页 |
| ·对偶坐标下降法解SVM | 第34-36页 |
| ·算法改进 | 第36-39页 |
| ·随机置换 | 第36-38页 |
| ·在线算法 | 第38-39页 |
| ·坐标下降法解S~3V M | 第39-44页 |
| ·S~3V M简介 | 第39页 |
| ·熵正则项 | 第39-40页 |
| ·增加熵正则项的S~3V M | 第40-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 实验与结果分析 | 第45-55页 |
| ·实验环境与实验数据 | 第45-46页 |
| ·实验环境 | 第45页 |
| ·实验数据 | 第45-46页 |
| ·结果分析 | 第46-54页 |
| ·S~3V M与SV M的比较 | 第46-49页 |
| ·半监督分类算法的比较 | 第49-50页 |
| ·S~3V M算法的比较 | 第50页 |
| ·终止条件 | 第50-51页 |
| ·多分类数据集 | 第51-52页 |
| ·S~3V M推广能力 | 第52-53页 |
| ·复杂度分析 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
