| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-17页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 本文主要研究内容 | 第14-15页 |
| 1.3 本文组织结构 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 相关研究与技术综述 | 第17-31页 |
| 2.1 数据标注 | 第17-20页 |
| 2.1.1 数据标注的模型 | 第17-18页 |
| 2.1.2 数据标注的分类 | 第18-20页 |
| 2.2 众包技术 | 第20-26页 |
| 2.2.1 众包的模型 | 第20-21页 |
| 2.2.2 众包任务类型 | 第21-22页 |
| 2.2.3 众包参与人员 | 第22-24页 |
| 2.2.4 激励机制 | 第24-25页 |
| 2.2.5 众包平台的分类 | 第25-26页 |
| 2.3 众包标注 | 第26-30页 |
| 2.3.1 众包标注的过程 | 第27页 |
| 2.3.2 现有的众包标注学习算法 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于工作者能力和任务难度的众包学习算法 | 第31-46页 |
| 3.1 简介 | 第31页 |
| 3.2 算法概述 | 第31-34页 |
| 3.2.1 形式化说明 | 第31-32页 |
| 3.2.2 大数投票算法 | 第32-33页 |
| 3.2.3 算法框架 | 第33-34页 |
| 3.3 任务难度评估算法 | 第34-36页 |
| 3.4 工作者能力评估算法 | 第36-38页 |
| 3.4.1 工作者能力评估算法模型 | 第36-37页 |
| 3.4.2 工作者能力评估算法的详细说明 | 第37-38页 |
| 3.5 最终标签整合算法 | 第38-39页 |
| 3.6 基于工作者能力和任务难度的众包学习算法的求解过程 | 第39-40页 |
| 3.7 实验 | 第40-45页 |
| 3.7.1 数据集 | 第40-42页 |
| 3.7.2 最终标签整合的准确度 | 第42-43页 |
| 3.7.3 参数λ和μ对算法的影响 | 第43-45页 |
| 3.8 本章小结 | 第45-46页 |
| 第4章 基于任务特征的半监督众包学习算法 | 第46-59页 |
| 4.1 简介 | 第46-47页 |
| 4.2 算法概述 | 第47-48页 |
| 4.2.1 形式化说明 | 第47页 |
| 4.2.2 算法总体框架 | 第47-48页 |
| 4.3 对象特征聚类及有监督对象的选择 | 第48-49页 |
| 4.4 工作者能力的评估 | 第49-50页 |
| 4.5 最终标签整合 | 第50-51页 |
| 4.6 实验 | 第51-58页 |
| 4.6.1 数据集 | 第51-53页 |
| 4.6.2 算法参数的测试实验 | 第53-54页 |
| 4.6.3 特征聚类结果及工作者能力评估分析 | 第54-56页 |
| 4.6.4 与相关的众包学习方法的对比实验 | 第56-58页 |
| 4.7 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-65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 |