| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-16页 |
| 1.3.1 信用预测算法 | 第10-11页 |
| 1.3.2 因式分解机 | 第11-12页 |
| 1.3.3 Hash Learning | 第12-13页 |
| 1.3.4 多标签学习 | 第13-14页 |
| 1.3.5 数据补齐 | 第14-16页 |
| 1.4 研究内容与组织结构 | 第16-18页 |
| 1.4.1 研究内容 | 第16页 |
| 1.4.2 论文组织结构 | 第16-18页 |
| 第2章 基于因式分解机的信用预测 | 第18-31页 |
| 2.1 问题描述 | 第18页 |
| 2.2 因式分解机 | 第18-22页 |
| 2.2.1 因式分解机原理 | 第19页 |
| 2.2.2 多线性 | 第19-20页 |
| 2.2.3 最优化问题 | 第20-21页 |
| 2.2.4 参数学习方法 | 第21-22页 |
| 2.3 实验结果与分析 | 第22-30页 |
| 2.3.1 数据集 | 第22-23页 |
| 2.3.2 评价指标 | 第23-24页 |
| 2.3.3 对比算法 | 第24-26页 |
| 2.3.4 实验结果 | 第26-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于Block Structure和Hash Learning的信用数据压缩方法 | 第31-51页 |
| 3.1 ScalingFM | 第31-33页 |
| 3.1.1 原理简介 | 第31-32页 |
| 3.1.2 Block Stucture结构 | 第32-33页 |
| 3.2 STH-ML算法原理 | 第33-35页 |
| 3.3 STH-ML算法描述 | 第35-39页 |
| 3.3.1 生成二元码 | 第35-38页 |
| 3.3.2 多标签学习 | 第38页 |
| 3.3.3 测试集索引 | 第38-39页 |
| 3.4 实验结果与分析 | 第39-49页 |
| 3.4.1 数据集 | 第39-40页 |
| 3.4.2 评价指标 | 第40页 |
| 3.4.3 实验结果与分析 | 第40-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第4章 基于标签的多角度融合的数据补齐算法 | 第51-65页 |
| 4.1 数据缺失机制 | 第51-52页 |
| 4.2 数据补齐思路 | 第52页 |
| 4.3 LMVFM算法 | 第52-57页 |
| 4.3.1 样本相似度 | 第52-53页 |
| 4.3.2 属性重要度 | 第53-54页 |
| 4.3.3 属性相似度 | 第54-55页 |
| 4.3.4 属性关联度 | 第55-56页 |
| 4.3.5 LMVFM算法流程 | 第56-57页 |
| 4.4 实验结果与分析 | 第57-64页 |
| 4.4.1 数据集 | 第57-58页 |
| 4.4.2 评价指标 | 第58页 |
| 4.4.3 对比算法 | 第58-59页 |
| 4.4.4 实验结果 | 第59-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65-66页 |
| 5.2 未来展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第72页 |