| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第14-21页 |
| 1.1 课题背景及初步解决方案 | 第14-17页 |
| 1.2 相关研究工作及技术发展 | 第17-19页 |
| 1.3 本文主要内容和结构 | 第19-21页 |
| 2 基于全局几何结构的非负矩阵分解 | 第21-33页 |
| 2.1 问题概述 | 第21-22页 |
| 2.2 NMF回顾 | 第22页 |
| 2.3 坐标正则排序 | 第22-23页 |
| 2.4 坐标排序正则化非负矩阵分解 | 第23-25页 |
| 2.5 定理2.1的证明 | 第25-27页 |
| 2.6 实验论证 | 第27-32页 |
| 2.7 本章小结 | 第32-33页 |
| 3 主题回归矩阵分解在科学文章推荐中的应用 | 第33-49页 |
| 3.1 问题概述 | 第33-34页 |
| 3.2 数据表示和符号定义 | 第34页 |
| 3.3 相关内容回顾 | 第34-36页 |
| 3.4 tr-MF模型的提出 | 第36-38页 |
| 3.5 模型更新预测 | 第38-39页 |
| 3.6 实验论证 | 第39-47页 |
| 3.7 本章小结 | 第47-49页 |
| 4 相关性矩阵分解在科学文章推荐中的应用 | 第49-63页 |
| 4.1 问题概述 | 第49-50页 |
| 4.2 数据表示和符号定义 | 第50页 |
| 4.3 协同主题回归模型回顾 | 第50-52页 |
| 4.4 CTR-RMF模型 | 第52-54页 |
| 4.5 tr-CMF模型 | 第54-57页 |
| 4.6 实验论证 | 第57-62页 |
| 4.7 本章小结 | 第62-63页 |
| 5 协方差矩阵分解在有限含噪声样本标注学习中的应用 | 第63-76页 |
| 5.1 问题概述 | 第63-64页 |
| 5.2 数学表示和符号定义 | 第64页 |
| 5.3 正则化风险函数 | 第64-65页 |
| 5.4 基于协方差矩阵分解的半参数正则学习 | 第65-68页 |
| 5.5 多标签约束半参数正则学习 | 第68-72页 |
| 5.6 实验论证 | 第72-75页 |
| 5.7 本章小结 | 第75-76页 |
| 6 总结与展望 | 第76-78页 |
| 6.1 本文工作的总结 | 第76-77页 |
| 6.2 未来工作展望 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 发表文章目录 | 第83页 |