基于关系映射的迁移模型研究及应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题研究背景和意义 | 第8-9页 |
| 1.1.1 课题研究背景 | 第8-9页 |
| 1.1.2 课题研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 迁移学习研究现状 | 第9-10页 |
| 1.2.2 马尔科夫逻辑网络的迁移研究 | 第10-11页 |
| 1.2.3 强化学习的迁移研究 | 第11-12页 |
| 1.3 主要研究内容 | 第12-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 本文相关技术 | 第16-27页 |
| 2.1 马尔科夫逻辑网络的迁移 | 第16-20页 |
| 2.1.1 马尔科夫逻辑网络 | 第16-18页 |
| 2.1.2 谓词映射 | 第18-19页 |
| 2.1.3 单实体为中心的实例 | 第19-20页 |
| 2.2 强化学习的迁移 | 第20-25页 |
| 2.1.1 Keepaway测试平台 | 第20-21页 |
| 2.1.2 强化学习 | 第21-23页 |
| 2.1.3 Tile编码 | 第23-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第3章 基于谓词映射的MLN迁移模型 | 第27-48页 |
| 3.1 研究问题描述 | 第27页 |
| 3.2 基于谓词映射的迁移算法设计 | 第27-35页 |
| 3.2.1 逻辑公式的谓词映射 | 第29-30页 |
| 3.2.2 逻辑公式的数据验证 | 第30-31页 |
| 3.2.3 逻辑公式的规则筛选 | 第31-35页 |
| 3.2.4 MLN模型的谓词覆盖 | 第35页 |
| 3.3 评估方法和数据 | 第35-37页 |
| 3.4 实验结果及分析 | 第37-41页 |
| 3.4.1 实验结果 | 第37-38页 |
| 3.4.2 实验分析 | 第38-41页 |
| 3.5 舆情数据实验 | 第41-46页 |
| 3.5.1 特征和数据的谓词化 | 第42-44页 |
| 3.5.2 源领域MLN模型的建立 | 第44-46页 |
| 3.5.3 迁移效果评估 | 第46页 |
| 3.6 本章小结 | 第46-48页 |
| 第4章 基于双向关系映射的TRL模型 | 第48-70页 |
| 4.1 研究问题描述 | 第48页 |
| 4.2 基于双向关系映射的迁移算法 | 第48-58页 |
| 4.2.1 双向关系映射迁移框架的描述 | 第48-50页 |
| 4.2.2 Keepaway问题建模 | 第50-52页 |
| 4.2.3 基于迁移框架的迁移算法设计 | 第52-58页 |
| 4.3 实验过程及分析 | 第58-66页 |
| 4.3.1 源领域的训练周期 | 第58-60页 |
| 4.3.2 DMap-Multi的指导周期 | 第60-63页 |
| 4.3.3 DMap-Best的指导周期 | 第63-66页 |
| 4.4 实验结果对比 | 第66-69页 |
| 4.5 本章小结 | 第69-70页 |
| 结论 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第75-77页 |
| 致谢 | 第77页 |
