| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·研究内容及创新点 | 第11-12页 |
| ·章节结构及内容安排 | 第12-14页 |
| 第二章 相关工作 | 第14-23页 |
| ·潜在狄利克雷分配模型 | 第14-16页 |
| ·最小绝对收缩和选择算子 | 第16-17页 |
| ·变分法推导 | 第17-18页 |
| ·交替方向乘子法 | 第18-23页 |
| ·ADMM的数学形式 | 第19-20页 |
| ·ADMM的近似算子 | 第20-21页 |
| ·ADMM的收敛条件 | 第21-23页 |
| 第三章 结合稀疏化特征选择的有监督潜在狄利克雷分配模型 | 第23-36页 |
| ·有监督潜在狄利克雷分配模型 | 第23-25页 |
| ·SLDA模型关于主题特征权重的优化 | 第25-27页 |
| ·主题特征权重优化引入稀疏化特征选择 | 第27-29页 |
| ·LASSO的优化框架 | 第27-28页 |
| ·损失函数 | 第28页 |
| ·惩罚函数 | 第28-29页 |
| ·模型参数的后验推导分析 | 第29-36页 |
| ·SLDA-FS的基于变分函数的似然下界 | 第29-31页 |
| ·SLDA-FS的E-STEP的参数推导 | 第31-33页 |
| ·SLDA-FS的M-STEP的参数推导 | 第33-36页 |
| 第四章 SLDA-FS模型在回归问题和分类问题上的应用实例 | 第36-48页 |
| ·实例化SLDA-FS模型及其完整表达 | 第36-37页 |
| ·在回归问题上的模型实例化 | 第36-37页 |
| ·在分类问题上的模型实例化 | 第37页 |
| ·模型参数的后验推导及其优化 | 第37-43页 |
| ·关于SLDA-FS-RM的优化 | 第37-40页 |
| ·关于SLDA-FS-CM的优化 | 第40-43页 |
| ·推导算法的框架流程 | 第43-46页 |
| ·SLDA-FS变分推导的算法流程 | 第44-45页 |
| ·ADMM的收敛判定及其算法流程 | 第45-46页 |
| ·SLDA-FS的完整算法流程 | 第46页 |
| ·模型的预测过程 | 第46-48页 |
| 第五章 实验 | 第48-61页 |
| ·实验概述 | 第48页 |
| ·回归问题的实验结果对比与分析 | 第48-52页 |
| ·实验场景设置 | 第48-49页 |
| ·数据集说明 | 第49-50页 |
| ·评价指标 | 第50页 |
| ·实验结果的对比及分析 | 第50-52页 |
| ·分类问题的实验结果对比与分析 | 第52-56页 |
| ·实验场景设置 | 第52-53页 |
| ·数据集说明 | 第53-54页 |
| ·评价指标 | 第54页 |
| ·实验结果的对比及分析 | 第54-56页 |
| ·关于主题与预测任务的关联性分析 | 第56-58页 |
| ·实验场景设置 | 第56页 |
| ·主题的评价标准 | 第56-57页 |
| ·实验数据的分析 | 第57-58页 |
| ·时间复杂度对比实验 | 第58-61页 |
| ·实验场景设置 | 第58-59页 |
| ·数据集说明 | 第59页 |
| ·评价指标 | 第59页 |
| ·训练用时对比及分析 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| ·总结 | 第61页 |
| ·展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 附录A 推导EM算法的对数似然下界 | 第66-67页 |
| 附录B 回归精度对比实验的详细数据 | 第67-68页 |
| 附录C 分类正确率对比实验的详细数据 | 第68-69页 |
| 致谢 | 第69-70页 |