| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-15页 |
| 1.3.1 在线学习算法 | 第11-12页 |
| 1.3.2 特征选择算法 | 第12-14页 |
| 1.3.3 多任务学习算法 | 第14-15页 |
| 1.4 主要研究内容及意义 | 第15页 |
| 1.5 本文组织结构 | 第15-17页 |
| 第二章 在线学习及特征选择算法概述 | 第17-29页 |
| 2.1 在线学习算法概述 | 第17-23页 |
| 2.1.1 研究问题 | 第17-18页 |
| 2.1.2 感知器算法 | 第18-20页 |
| 2.1.3 Passive-Aggressive算法 | 第20-23页 |
| 2.2 特征选择算法概述 | 第23-28页 |
| 2.2.1 研究问题 | 第23-24页 |
| 2.2.2 OFS算法 | 第24-27页 |
| 2.2.3 FOBOS算法 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 单任务在线学习特征选择算法研究 | 第29-40页 |
| 3.1 引言 | 第29页 |
| 3.2 PABS在线学习特征选择算法 | 第29-34页 |
| 3.2.1 优化FOBOS算法梯度下降过程 | 第29-30页 |
| 3.2.2 基于L1-norm正则项的特征选择 | 第30-33页 |
| 3.2.3 PABS在线学习特征选择算法 | 第33-34页 |
| 3.3 实验 | 第34-39页 |
| 3.3.1 实验数据集 | 第34-35页 |
| 3.3.2 实验设计 | 第35页 |
| 3.3.3 实验结果与分析 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 多任务在线学习特征选择算法研究 | 第40-58页 |
| 4.1 引言 | 第40页 |
| 4.2 多任务学习算法研究现状 | 第40-42页 |
| 4.3 CMOFS协同多任务在线学习特征选择算法 | 第42-50页 |
| 4.3.1 全局多任务学习算法 | 第43-45页 |
| 4.3.2 单任务学习算法 | 第45-46页 |
| 4.3.3 多任务协作在线学习特征选择算法 | 第46-50页 |
| 4.4 实验 | 第50-56页 |
| 4.4.1 实验数据集 | 第50-51页 |
| 4.4.2 实验设计 | 第51页 |
| 4.4.3 实验结果与分析 | 第51-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 特征选择算法在垃圾邮件分类中的应用 | 第58-71页 |
| 5.1 引言 | 第58页 |
| 5.2 研究现状 | 第58-60页 |
| 5.3 系统架构 | 第60-65页 |
| 5.3.1 基于N-Gram法的特征提取方法 | 第61-62页 |
| 5.3.2 特征值筛选 | 第62-63页 |
| 5.3.3 邮件分类模型 | 第63-65页 |
| 5.4 单任务垃圾邮件分类实验 | 第65-67页 |
| 5.4.1 实验数据集 | 第65页 |
| 5.4.2 实验设计 | 第65-66页 |
| 5.4.3 实验结果与分析 | 第66-67页 |
| 5.5 多任务垃圾邮件分类实验 | 第67-69页 |
| 5.5.1 实验数据集 | 第67-68页 |
| 5.5.2 实验设计 | 第68页 |
| 5.5.3 实验结果与分析 | 第68-69页 |
| 5.6 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-74页 |
| 6.1 本文总结 | 第71-72页 |
| 6.1.1 单任务在线学习特征选择算法 | 第71页 |
| 6.1.2 多任务在线学习特征选择算法 | 第71-72页 |
| 6.2 未来展望 | 第72-74页 |
| 6.2.1 对噪声值得识别 | 第72页 |
| 6.2.2 线性不可分问题的研究效果 | 第72页 |
| 6.2.3 推广至其他在线学习方法 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间取得的研究成果 | 第79-80页 |
| 致谢 | 第80-81页 |
| 附录 | 第81页 |