针对文本和时间序列数据的正例未标注学习算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.1.1 针对文本数据的PU学习 | 第10-11页 |
| 1.1.2 针对时间序列数据的PU学习 | 第11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 针对文本数据的PU学习 | 第11-12页 |
| 1.2.2 针对时间序列数据的PU学习 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 技术路线 | 第14-16页 |
| 1.5 论文组织结构 | 第16-17页 |
| 第二章 相关研究概述 | 第17-21页 |
| 2.1 单类别支持向量机 | 第17-18页 |
| 2.2 邻域核函数 | 第18页 |
| 2.3 基于Markov模型的时间序列分类器 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 针对文本数据的PU学习 | 第21-27页 |
| 3.1 问题定义 | 第21页 |
| 3.2 基于维基百科知识的邻域核 | 第21-22页 |
| 3.3 算法描述 | 第22-23页 |
| 3.4 实验结果分析 | 第23-26页 |
| 3.5 本章小结 | 第26-27页 |
| 第四章 针对时间序列数据的PU学习 | 第27-44页 |
| 4.1 问题定义 | 第27-28页 |
| 4.2 估计概率值P(C) | 第28-29页 |
| 4.3 估计概率值P( X| C) | 第29-30页 |
| 4.4 实验结果分析 | 第30-43页 |
| 4.4.1 Markov性质的评估 | 第31-35页 |
| 4.4.2 分类器性能的比较 | 第35-39页 |
| 4.4.3 分类器训练时间和测试时间的评估 | 第39-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-46页 |
| 5.1 总结 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49-50页 |
| 作者简介 | 第50页 |
