基于多情境数据和半监督代价敏感模型的场所个性化语义识别
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 相关研究工作 | 第12-14页 |
| 1.2.1 基于社交网络的场所语义识别 | 第12-13页 |
| 1.2.2 基于GPS轨迹的场所语义识别 | 第13页 |
| 1.2.3 基于多情境数据的场所语义识别 | 第13-14页 |
| 1.3 研究目标与内容 | 第14-15页 |
| 1.4 本文结构组织 | 第15-16页 |
| 第2章 相关方法和技术 | 第16-25页 |
| 2.1 特征工程 | 第16-17页 |
| 2.2 半监督学习 | 第17-21页 |
| 2.2.1 协同训练算法 | 第18-19页 |
| 2.2.2 半监督集成学习算法 | 第19-21页 |
| 2.3 代价敏感学习 | 第21-24页 |
| 2.3.1 代价矩阵 | 第21-22页 |
| 2.3.2 二类代价敏感学习 | 第22-23页 |
| 2.3.3 多类代价敏感学习 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于多情境数据的场所特征构建方法 | 第25-33页 |
| 3.1 框架 | 第25页 |
| 3.2 情境特征构建 | 第25-30页 |
| 3.2.1 时间特征F_t | 第26页 |
| 3.2.2 加速度特征F_a | 第26-27页 |
| 3.2.3 App使用特征F_p | 第27页 |
| 3.2.4 通话特征F_c | 第27-28页 |
| 3.2.5 系统特征F_s | 第28-29页 |
| 3.2.6 多媒体特征F_m | 第29页 |
| 3.2.7 其他特征F_o | 第29-30页 |
| 3.3 用户活动特征构建 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于半监督代价敏感集成学习的识别模型构建 | 第33-44页 |
| 4.1 概述 | 第33页 |
| 4.2 学习方法框架 | 第33-34页 |
| 4.3 半监督学习置信度度量及过滤筛选 | 第34-39页 |
| 4.3.1 置信度度量 | 第35-36页 |
| 4.3.2 过滤筛选 | 第36-39页 |
| 4.4 基于场所相似性的代价敏感学习方法 | 第39-42页 |
| 4.4.1 场所相似性代价矩阵 | 第39-40页 |
| 4.4.2 代价敏感损失函数 | 第40-42页 |
| 4.5 本章小结 | 第42-44页 |
| 第5章 实验评估 | 第44-53页 |
| 5.1 数据集 | 第44-46页 |
| 5.1.1 MDC数据集 | 第44-45页 |
| 5.1.2 ATUS数据集 | 第45-46页 |
| 5.2 实验设置 | 第46-47页 |
| 5.3 实验结果与分析 | 第47-52页 |
| 5.3.1 用户活动特征的影响 | 第47-48页 |
| 5.3.2 代价敏感学习的影响 | 第48-49页 |
| 5.3.3 半监督代价敏感集成学习的影响 | 第49-51页 |
| 5.3.4 与现有场所语义识别方法的对比 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 攻读硕士学位期间主要的研究成果 | 第61-62页 |
| 致谢 | 第62页 |
