| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-17页 |
| 1.1 研究背景与意义 | 第7-9页 |
| 1.2 半监督机器学习的研究现状 | 第9-10页 |
| 1.3 情感分类的研究现状 | 第10-12页 |
| 1.4 领域适应的研究现状 | 第12-15页 |
| 1.5 研究内容与组织结构 | 第15-17页 |
| 2 相关知识介绍 | 第17-29页 |
| 2.1 半监督机器学习算法 | 第17-18页 |
| 2.1.1 自学习(Self-training) | 第17页 |
| 2.1.2 基于生成模型的方法(EM with generative mixture models) | 第17页 |
| 2.1.3 协同训练(Co-training) | 第17-18页 |
| 2.1.4 直推式支持向量机(Transductive Support Vector Machines) | 第18页 |
| 2.2 情感分类相关知识 | 第18-23页 |
| 2.2.1 文本表示 | 第18-19页 |
| 2.2.2 特征选择 | 第19-21页 |
| 2.2.3 分类模型 | 第21-23页 |
| 2.3 领域适应相关知识 | 第23-28页 |
| 2.3.1 统计学习理论的基础 | 第23-25页 |
| 2.3.2 领域适应问题分析 | 第25-27页 |
| 2.3.3 两种实例迁移代表算法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 解决不平衡情感分类的EM改进算法 | 第29-37页 |
| 3.1 朴素贝叶斯模型 | 第29-30页 |
| 3.2 基于EM算法的朴素贝叶斯模型 | 第30页 |
| 3.3 改进的EM算法 | 第30-31页 |
| 3.4 实验 | 第31-36页 |
| 3.4.1 实验环境 | 第31页 |
| 3.4.2 数据集 | 第31页 |
| 3.4.3 结果分析 | 第31-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 解决情感分类领域适应问题的EM改进算法 | 第37-45页 |
| 4.1 特征选择 | 第37-38页 |
| 4.2 模型算法 | 第38-39页 |
| 4.3 实验 | 第39-44页 |
| 4.3.1 实验环境 | 第39页 |
| 4.3.2 数据集 | 第39-40页 |
| 4.3.3 结果分析 | 第40-44页 |
| 4.4 本章小结 | 第44-45页 |
| 5 总结与展望 | 第45-46页 |
| 致谢 | 第46-47页 |
| 参考文献 | 第47-53页 |
| 附录 | 第53页 |