| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题背景及研究意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 本文主要研究内容 | 第10页 |
| 1.4 本文组织结构 | 第10-12页 |
| 第二章 相关理论与概念定义 | 第12-20页 |
| 2.1 特征选择的概念定义 | 第12页 |
| 2.2 特征选择的框架分析 | 第12-14页 |
| 2.3 特征选择算法 | 第14-18页 |
| 2.3.1 特征选择算法分类 | 第14-15页 |
| 2.3.2 基于最大相关最小冗余的特征算法 | 第15-17页 |
| 2.3.3 基于稀疏表示的特征选择算法 | 第17-18页 |
| 2.4 多视图学习 | 第18-19页 |
| 2.5 多视图中文文本分类相关技术 | 第19页 |
| 2.6 本章小结 | 第19-20页 |
| 第三章 基于多视图学习的中文文本分类研究 | 第20-24页 |
| 3.1 前言 | 第20页 |
| 3.2 相关工作 | 第20-22页 |
| 3.2.1 向量空间模型 | 第20-21页 |
| 3.2.2 文本相似度计算 | 第21页 |
| 3.2.3 增量算法 | 第21-22页 |
| 3.2.4 分解算法 | 第22页 |
| 3.3 基于多支持向量机的并行学习算法 | 第22页 |
| 3.4 实验结果 | 第22-23页 |
| 3.5 本章小结 | 第23-24页 |
| 第四章 基于多视图的半监督特征选择算法 | 第24-37页 |
| 4.1 前言 | 第24-25页 |
| 4.2 单视图的最大相关最小冗余特征选择算法 | 第25-26页 |
| 4.3 基于多视图的特征选择算法 | 第26页 |
| 4.4 基于多视图的半监督特征选择算法 | 第26-31页 |
| 4.4.1 问题描述 | 第26-28页 |
| 4.4.2 优化求解 | 第28-29页 |
| 4.4.3 算法描述 | 第29-31页 |
| 4.5 实验结果 | 第31-36页 |
| 4.5.1 实验设置 | 第31-33页 |
| 4.5.2 MVSS特征选择的多视图聚类性能分析 | 第33-34页 |
| 4.5.3 MVSS算法的聚类性能分析 | 第34-35页 |
| 4.5.4 MVSS与MVFS所选特征子集的冗余性分析 | 第35-36页 |
| 4.6 本章小结 | 第36-37页 |
| 第五章 结论与展望 | 第37-39页 |
| 5.1 本文主要结论 | 第37页 |
| 5.2 下一步工作及展望 | 第37-39页 |
| 参考文献 | 第39-42页 |
| 攻读硕士学位期间发表的论文和参与的项目 | 第42-43页 |
| 致谢 | 第43页 |