迁移学习在文本分类中的应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-23页 |
| ·研究背景 | 第11-12页 |
| ·研究现状 | 第12-15页 |
| ·迁移学习与其它机器学习方法的区别 | 第15-16页 |
| ·迁移学习的不同方法 | 第16-19页 |
| ·迁移学习的定义 | 第16-17页 |
| ·迁移学习的分类 | 第17-19页 |
| ·迁移学习的应用 | 第19-20页 |
| ·本文所做的工作及创新 | 第20-22页 |
| ·论文组织结构 | 第22-23页 |
| 2 文本分类综述 | 第23-39页 |
| ·自动文本分类系统 | 第23-29页 |
| ·文本表示 | 第23-24页 |
| ·特征选择 | 第24-25页 |
| ·文本分类方法 | 第25-28页 |
| ·评价标准 | 第28-29页 |
| ·文本分类的总体步骤 | 第29页 |
| ·文本分类的研究现状及存在的问题 | 第29-30页 |
| ·迁移学习在文本分类中的应用 | 第30-39页 |
| ·主要的应用领域和方法 | 第30-32页 |
| ·实验语料 | 第32-33页 |
| ·对比结果 | 第33-38页 |
| ·存在的问题 | 第38-39页 |
| 3 两阶段特征选择方法 | 第39-47页 |
| ·背景知识 | 第39页 |
| ·两阶段特征选择方法 | 第39-42页 |
| ·FCD特征选择方法 | 第40-41页 |
| ·基于LSI的特征选择 | 第41-42页 |
| ·实验和结果 | 第42-45页 |
| ·语料 | 第42页 |
| ·结果 | 第42-45页 |
| ·本章小结 | 第45-47页 |
| 4 基于特征映射的迁移学习 | 第47-58页 |
| ·背景介绍及问题描述 | 第47-48页 |
| ·背景介绍 | 第47-48页 |
| ·问题描述 | 第48页 |
| ·基于特征映射的迁移学习方法 | 第48-51页 |
| ·新的特征表示子空间 | 第48-49页 |
| ·特征相互关系 | 第49-50页 |
| ·特征映射函数 | 第50-51页 |
| ·算法描述 | 第51页 |
| ·实验和结果 | 第51-57页 |
| ·语料 | 第51-53页 |
| ·具包 | 第53页 |
| ·结果 | 第53-57页 |
| ·本章小结 | 第57-58页 |
| 5 自适应迁移学习 | 第58-69页 |
| ·背景介绍及问题描述 | 第58-59页 |
| ·背景介绍 | 第58-59页 |
| ·问题描述 | 第59页 |
| ·自适应的迁移学习方法 | 第59-63页 |
| ·基于SVD的迁移学习算法TLSVD | 第59-61页 |
| ·自适应的迁移学习算法ATL | 第61-63页 |
| ·实验和结果 | 第63-68页 |
| ·语料 | 第63-64页 |
| ·TLSVD方法的结果 | 第64页 |
| ·ATL1方法的结果 | 第64-65页 |
| ·ATL2方法的结果 | 第65-66页 |
| ·实验的比较结果 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 6 基于图的迁移学习 | 第69-83页 |
| ·背景介绍及问题描述 | 第69-70页 |
| ·背景介绍 | 第69-70页 |
| ·问题描述 | 第70页 |
| ·基于图排序算法的迁移学习方法 | 第70-75页 |
| ·PageRank模型及其算法 | 第70-71页 |
| ·基本假设 | 第71页 |
| ·特征选择 | 第71-72页 |
| ·初始化 | 第72页 |
| ·文本相似度矩阵 | 第72-73页 |
| ·以文本相似度矩阵为基础的文本分值 | 第73-74页 |
| ·收敛性证明 | 第74-75页 |
| ·实验和结果 | 第75-81页 |
| ·语料 | 第75-77页 |
| ·实现细节 | 第77页 |
| ·结果 | 第77-78页 |
| ·参数敏感性 | 第78-81页 |
| ·与SCL-MI方法的实验结果对比 | 第81页 |
| ·本章小结 | 第81-83页 |
| 7 工作总结与展望 | 第83-86页 |
| ·总结 | 第83-85页 |
| ·进一步的工作 | 第85-86页 |
| 参考文献 | 第86-97页 |
| 攻读博士学位期间发表学术论文情况 | 第97-98页 |
| 攻读博士学位期间参加项目情况 | 第98-99页 |
| 致谢 | 第99-100页 |
| 作者简介 | 第100-101页 |
