| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第一章 绪论 | 第12-20页 |
| ·论文研究的背景和意义 | 第12-16页 |
| ·研究意义 | 第12-13页 |
| ·研究背景与现状 | 第13-16页 |
| ·贝叶斯学习理论的基本观点 | 第16-17页 |
| ·论文研究内容和组织结构 | 第17-20页 |
| 第二章 贝叶斯网络的表示、学习和推理 | 第20-34页 |
| ·贝叶斯网络的表示 | 第20-22页 |
| ·贝叶斯网络的参数学习 | 第22-26页 |
| ·贝叶斯网络的结构学习 | 第26-30页 |
| ·基于评分的贝叶斯网络结构学习 | 第27-29页 |
| ·基于条件独立性测试的贝叶斯网络结构学习 | 第29-30页 |
| ·贝叶斯网络推理 | 第30-33页 |
| ·小结 | 第33-34页 |
| 第三章 贝叶斯网络分类器 | 第34-52页 |
| ·分类知识发现 | 第34-35页 |
| ·朴素贝叶斯分类器 | 第35-46页 |
| ·模型综述 | 第35-38页 |
| ·参数学习 | 第38-40页 |
| ·最优性条件 | 第40-43页 |
| ·基于类条件分布的特征约简 | 第43-45页 |
| ·试验设计与分析 | 第45-46页 |
| ·朴素贝叶斯分类器的增强 | 第46-51页 |
| ·贝叶斯网络分类器 | 第46-47页 |
| ·选择贝叶斯分类器 | 第47-48页 |
| ·提升的贝叶斯分类器 | 第48-51页 |
| ·小结 | 第51-52页 |
| 第四章 主动贝叶斯分类器 | 第52-64页 |
| ·从标注和未标注样本中学习分类知识 | 第52-54页 |
| ·主动贝叶斯分类器的一般原理与方法 | 第54-58页 |
| ·相关工作 | 第54-56页 |
| ·主动贝叶斯分类器模型 | 第56-58页 |
| ·两种主动学习策略 | 第58-62页 |
| ·基于最大最小熵的主动学习 | 第58-60页 |
| ·基于分类损失与不确定抽样相结合的主动学习 | 第60-61页 |
| ·贝叶斯增量学习与推理 | 第61-62页 |
| ·试验设计与结果比较 | 第62-63页 |
| ·小结 | 第63-64页 |
| 第五章 基于贝叶斯潜在语义分析的半监督文本挖掘 | 第64-78页 |
| ·文本挖掘综述 | 第64-67页 |
| ·Bayes 潜在语义模型 | 第67-71页 |
| ·潜在语义分析 | 第67-69页 |
| ·Bayes 潜在语义模型 | 第69-71页 |
| ·半监督文本挖掘算法设计与分析 | 第71-76页 |
| ·算法的一般原理 | 第71-72页 |
| ·标注含有潜在类别主题词的文档类别 | 第72-73页 |
| ·基于Na?ve Bayes 模型学习标注和未标注样本 | 第73-76页 |
| ·实验设计与结果分析 | 第76-77页 |
| ·小结 | 第77-78页 |
| 第六章 贝叶斯模型选择 | 第78-100页 |
| ·层次聚类与贝叶斯模型选择 | 第78-84页 |
| ·模型选择的原理 | 第80页 |
| ·聚类分析中的混合模型 | 第80-81页 |
| ·模型选择中的期望最大化 | 第81-83页 |
| ·模型的边界似然 | 第83-84页 |
| ·基于贝叶斯后验概率的模型选择 | 第84-90页 |
| ·贝叶斯后验模型 | 第84-85页 |
| ·文档序列生成模型 | 第85-87页 |
| ·模型参数的学习 | 第87-90页 |
| ·基于后验模型的层次聚类算法 | 第90-92页 |
| ·采用最大后验估计的层次聚类算法 | 第90-91页 |
| ·采用条件期望估计的层次聚类算法 | 第91-92页 |
| ·算法复杂度分析 | 第92页 |
| ·试验设计与结果分析 | 第92-99页 |
| ·结果评价及其试验设计 | 第92-93页 |
| ·测试结果分析 | 第93-97页 |
| ·无监督学习中的查全率与查准率（PA、NA） | 第97-99页 |
| ·小结 | 第99-100页 |
| 第七章 结束语 | 第100-104页 |
| ·本文的主要贡献与创新 | 第100-101页 |
| ·下一步的研究工作展望 | 第101-104页 |
| 参考文献 | 第104-118页 |
| 致谢 | 第118-119页 |
| 作者简历 | 第119页 |
| 攻读博士学位期间发表的论文 | 第119-120页 |
| 攻读博士学位期间参加的主要科研项目 | 第120页 |