一种基于二部图的迁移学习算法
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究内容与目标 | 第11-12页 |
| 1.2.1 研究目标 | 第11页 |
| 1.2.2 研究内容 | 第11-12页 |
| 1.3 主要贡献 | 第12-13页 |
| 1.3.1 理论贡献 | 第12页 |
| 1.3.2 实践贡献 | 第12-13页 |
| 1.4 创新之处 | 第13页 |
| 1.5 本文框架 | 第13-14页 |
| 2 文本分类关键技术综述 | 第14-27页 |
| 2.1 特征提取 | 第15-19页 |
| 2.1.1 特征空间构建 | 第15-17页 |
| 2.1.2 特征计算 | 第17页 |
| 2.1.3 特征选择 | 第17-19页 |
| 2.2 文本分类算法 | 第19-23页 |
| 2.2.1 逻辑回归 | 第19-21页 |
| 2.2.2 朴素贝叶斯 | 第21-22页 |
| 2.2.3 支持向量机 | 第22-23页 |
| 2.2.4 其他常见算法 | 第23页 |
| 2.3 文本分类效果评价指标 | 第23-25页 |
| 2.4 小结 | 第25-27页 |
| 3 迁移学习综述 | 第27-40页 |
| 3.1 迁移学习的分类及常见算法 | 第27-31页 |
| 3.1.1 按照标注及任务情况的迁移学习分类 | 第28页 |
| 3.1.2 按照引入的技术的迁移学习分类 | 第28-31页 |
| 3.2 迁移学习在文本自动分类中的研究现状 | 第31-39页 |
| 3.2.1 迁移学习在文本自动分类中的应用场景 | 第31-32页 |
| 3.2.2 经典数据集 | 第32-33页 |
| 3.2.3 常见算法的实验结果 | 第33-39页 |
| 3.3 小结 | 第39-40页 |
| 4 一种基于二部图的迁移学习算法 | 第40-54页 |
| 4.1 背景介绍 | 第40-41页 |
| 4.2 背景知识 | 第41-44页 |
| 4.2.1 问题描述 | 第41页 |
| 4.2.2 特征选择 | 第41-42页 |
| 4.2.3 二部图及基于二部图的推荐算法 | 第42-44页 |
| 4.3 算法描述 | 第44-47页 |
| 4.4 实验 | 第47-53页 |
| 4.4.1 数据集 | 第47-49页 |
| 4.4.2 参数实验 | 第49页 |
| 4.4.3 分类器实验 | 第49-50页 |
| 4.4.4 对比实验 | 第50-53页 |
| 4.4.5 解释性实验 | 第53页 |
| 4.5 小结 | 第53-54页 |
| 5 总结与期望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61页 |
