| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 领域适应研究现状 | 第9-11页 |
| 1.3 经典分类算法及其增量 | 第11-13页 |
| 1.4 终生学习研究现状 | 第13-15页 |
| 1.5 论文研究内容以及组织结构 | 第15-17页 |
| 2 基础模型与方法 | 第17-25页 |
| 2.1 领域适应理论基础 | 第17-18页 |
| 2.2 领域适应问题分析 | 第18-20页 |
| 2.2.1 基于标签的迁移 | 第19页 |
| 2.2.2 基于实例的迁移 | 第19-20页 |
| 2.3 文本分类相关知识 | 第20-25页 |
| 3 基于实例的领域适应算法及其正则化方法 | 第25-36页 |
| 3.1 基于逻辑斯特逼近的领域适应算法(ILA) | 第25-27页 |
| 3.1.1 近似的目标领域数据取样过程 | 第25-26页 |
| 3.1.2 最小统计距离准则 | 第26-27页 |
| 3.2 基于正则化的算法改进 | 第27-30页 |
| 3.2.1 限制迭代次数的early stopping | 第28页 |
| 3.2.2 限制最大样本权重的early stopping | 第28页 |
| 3.2.3 限制样本权重方差的early stopping | 第28-29页 |
| 3.2.4 L2惩罚因子作为正则项 | 第29页 |
| 3.2.5 似然惩罚因子作为正则项 | 第29-30页 |
| 3.2.6 Dropout training | 第30页 |
| 3.3 梯度下降优化算法 | 第30-31页 |
| 3.4 实例加权朴素贝叶斯模型 | 第31页 |
| 3.5 实验 | 第31-35页 |
| 3.5.1 六种基于正则化的领域适应方法比较 | 第32-33页 |
| 3.5.2 基于实例的领域适应算法的缺陷 | 第33-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 基于实例的领域适应算法过拟合研究 | 第36-46页 |
| 4.1 基于损失函数惩罚的缓解过拟合方法 | 第36-39页 |
| 4.1.1 基于最大权重的损失函数惩罚(MW) | 第37页 |
| 4.1.2 基于少数权重较大样本的损失函数惩罚(PMW) | 第37-38页 |
| 4.1.3 基于样本权重极值比的损失函数惩罚(EVR) | 第38页 |
| 4.1.4 基于权重方差的损失函数惩罚(WV) | 第38-39页 |
| 4.2 模型等价性 | 第39页 |
| 4.3 模型优化算法 | 第39-41页 |
| 4.3.1 梯度下降法GD | 第39-40页 |
| 4.3.2 Limited-memory quasi-Newton(L-BFGS) | 第40-41页 |
| 4.4 实验 | 第41-45页 |
| 4.4.1 比较系统 | 第42页 |
| 4.4.2 实验结果与分析 | 第42-43页 |
| 4.4.3 模型优化算法性能对比 | 第43-44页 |
| 4.4.4 参数敏感性分析 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 一种基于终生学习的增量式朴素贝叶斯模型 | 第46-57页 |
| 5.1 传统朴素贝叶斯分类模型 | 第46-47页 |
| 5.2 基于终生学习的增量式朴素贝叶斯模型 | 第47-51页 |
| 5.2.1 终生学习机制 | 第48-49页 |
| 5.2.2 增量式参数学习方法 | 第49-51页 |
| 5.3 新旧特征处理机制 | 第51页 |
| 5.4 跨领域处理能力 | 第51-52页 |
| 5.5 实验 | 第52-56页 |
| 5.5.1 领域特定文本分类和情感分类 | 第53-54页 |
| 5.5.2 领域适应情感分类 | 第54-56页 |
| 5.6 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 附录 | 第65页 |
