| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1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10-12页 |
| ·论文的研究内容 | 第12-13页 |
| ·论文的组织 | 第13-14页 |
| 第2章 排序学习理论及技术 | 第14-24页 |
| ·引言 | 第14页 |
| ·排序学习问题 | 第14-18页 |
| ·信息检索模型 | 第14-17页 |
| ·排序学习简介 | 第17-18页 |
| ·排序学习算法 | 第18-21页 |
| ·基于数据点的排序学习方法 | 第18-19页 |
| ·基于数据对的排序学习方法 | 第19-20页 |
| ·基于数据列表的排序学习方法 | 第20-21页 |
| ·排序学习性能评价指标 | 第21-23页 |
| ·Precision at position n (P@n) | 第21页 |
| ·Mean average precision (MAP) | 第21-22页 |
| ·MRR(Mean Reciprocal Ranking) | 第22页 |
| ·Normalized discount cumulative gain (NDCG) | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 专家排序影响因素及特征提取 | 第24-30页 |
| ·引言 | 第24页 |
| ·专家排序的影响因素 | 第24-26页 |
| ·专家证据文档 | 第25页 |
| ·专家关系网 | 第25页 |
| ·专家元数据 | 第25-26页 |
| ·专家排序的特征提取 | 第26-29页 |
| ·专家排序的相似度特征 | 第26页 |
| ·BM25评分 | 第26-27页 |
| ·专家相关特征 | 第27-29页 |
| ·小结 | 第29-30页 |
| 第4章 基于ListNet的多特征融合的专家排序方法 | 第30-37页 |
| ·引言 | 第30-31页 |
| ·特征的选择与抽取 | 第31页 |
| ·ListNet学习排序方法 | 第31-33页 |
| ·实验数据集及设置 | 第33-34页 |
| ·实验结果以及对比分析 | 第34-36页 |
| ·特征选取的比较 | 第34页 |
| ·学习排序算法的选取 | 第34-35页 |
| ·实验评价 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第5章 基于关联特征的专家列表学习排序方法 | 第37-48页 |
| ·引言 | 第37-38页 |
| ·基于关联特征的专家列表学习排序方法 | 第38-44页 |
| ·基于证据文档的相关性模型 | 第38-40页 |
| ·基于专家关系网的相关性模型 | 第40-41页 |
| ·基于专家元数据的相关性模型 | 第41-42页 |
| ·Expert-ListNet算法 | 第42-44页 |
| ·实验数据集及设置 | 第44-45页 |
| ·实验结果及分析 | 第45-47页 |
| ·排序方法比较 | 第45-46页 |
| ·不同特征选择和排序方法组合的比较 | 第46页 |
| ·实验评价 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第6章 融合多特征的专家列表排序学习原型系统 | 第48-50页 |
| ·引言 | 第48页 |
| ·系统框架 | 第48-49页 |
| ·系统实现和专家排序结果 | 第49页 |
| ·本章小结 | 第49-50页 |
| 第7章 总结和展望 | 第50-52页 |
| ·总结 | 第50页 |
| ·工作展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-59页 |
| 附录A 攻读硕士期间发表的论文 | 第59-60页 |
| 附录B 攻读硕士期间参与项目 | 第60-61页 |
| 附录C 申请软件的著作权 | 第61页 |
