概率潜在语义分析及其应用
| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第1章 绪论 | 第11-15页 |
| ·机器学习简介 | 第11-12页 |
| ·机器学习的应用 | 第12-14页 |
| ·机器学习在搜索引擎中的应用 | 第12页 |
| ·主题模型 | 第12-13页 |
| ·PLSA存在的问题 | 第13-14页 |
| ·本文研究内容 | 第14页 |
| ·本文组织结构 | 第14页 |
| ·本章小结 | 第14-15页 |
| 第2章 相关工作与背景介绍 | 第15-25页 |
| ·主题模型 | 第15-19页 |
| ·向量空间模型 | 第15-16页 |
| ·潜在语义索引 | 第16-17页 |
| ·非负矩阵分解技术 | 第17-18页 |
| ·稀疏表达 | 第18-19页 |
| ·概率潜在语义分析 | 第19页 |
| ·分布式数据处理 | 第19-24页 |
| ·Hadoop分布式存储与计算平台 | 第20-23页 |
| ·MPI消息传递接口 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 概率潜在语义分析的稀疏表达框架 | 第25-39页 |
| ·PLSA算法简述 | 第25-29页 |
| ·模型假设 | 第25-27页 |
| ·EM算法简介 | 第27页 |
| ·E步计算方法 | 第27-28页 |
| ·M步计算方法 | 第28页 |
| ·似然值计算方法以及收敛条件 | 第28-29页 |
| ·使用向量范数作为稀疏度度量 | 第29-30页 |
| ·使用狄利克雷先验作为稀疏度度量 | 第30-34页 |
| ·实验评估 | 第34-38页 |
| ·局部特征提取 | 第35-36页 |
| ·主题分布控制 | 第36-37页 |
| ·性能评估 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 大规模分布式概率潜在语义分析 | 第39-54页 |
| ·单机PLSA实现方案 | 第39-42页 |
| ·训练策略 | 第39页 |
| ·PLSA训练实现细节 | 第39-41页 |
| ·针对多核优化的PLSA | 第41-42页 |
| ·基于Hadoop的分布式PLSA算法设计 | 第42-46页 |
| ·使用Hadoop平台的可行性 | 第42-43页 |
| ·EM迭代输入与输出 | 第43页 |
| ·MapReduce解决方案 | 第43-45页 |
| ·PLSA优化的重点 | 第45-46页 |
| ·基于MPI的分布式算法设计 | 第46-50页 |
| ·总体设计 | 第47-48页 |
| ·主要难点 | 第48-49页 |
| ·MPI解决方案 | 第49-50页 |
| ·实验及评估 | 第50-53页 |
| ·CPU开销分析 | 第50-53页 |
| ·数据集测试结果 | 第53页 |
| ·本章小结 | 第53-54页 |
| 第5章 基于隐式用户反馈的RSS文章排名 | 第54-61页 |
| ·模型建立 | 第54-59页 |
| ·特征选择 | 第56页 |
| ·参数学习 | 第56-58页 |
| ·文章排名 | 第58-59页 |
| ·模型检验 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-62页 |
| ·本文总结 | 第61页 |
| ·未来展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间主要的研究成果 | 第65-66页 |
| 致谢 | 第66页 |
