文摘
英文文摘
声明
第一章 绪论
1.1研究背景和研究目的
1.2研究现状
1.2.1机器学习
1.2.2维数约减
1.2.3 Web挖掘及搜索引擎的研究
1.3本文主要研究内容
1.4本文组织结构
第二章 机器学习和数据挖掘
2.1机器学习
2.1.1机器学习定义
2.1.2机器学习的研究内容
2.1.3机器学习的分类
2.1.4流形和流形学习
2.2数据挖掘
2.2.1数据挖掘中的相关概念
2.2.2数据挖掘的基本过程和过程模型
2.2.3数据挖掘的基本功能
2.2.4数据挖掘的典型应用
第三章 线性维数约减算法的研究
3.1主要线性维数约减算法简介
3.1.1主成分分析法(PCA)
3.1.2经典多维尺度分析(CMDS)
3.1.3小结
3.2随机映像算法
3.2.1随机映像算法概述
3.2.2随机映像算法理论
3.3基于期望扰动的直接随机映象算法DRP
3.3.1算法的提出
3.3.2主要结论
3.3.3引理3.2的证明
3.3.4.一种获得中肯DRP的启发式算法
3.4算法比较实验
3.4.1实验设置
3.4.2基于人工生成数据集的实验
3.4.3基于文献数据集的实验
3.5算法讨论
第四章 非线性维数约减算法的研究
4.1主要非线性维数约减算法简介
4.1.1等距映射算法(Isomap)
4.1.2局域线性嵌入(LLE)
4.1.3拉普拉斯特征映像(Laplacian Eigenmaps)
4.1.4随机邻域嵌入(SNE)
4.1.5小结
4.2基于锚点集的最小平方误差等距嵌入算法AIE
4.2.1算法的提出
4.2.2算法证明
4.2.3算法复杂性分析
4.2.4自适应邻域选择算法
4.3算法比较实验
4.3.1基于无噪声Swiss数据集的实验
4.3.2基于伪自由度噪声Swiss数据集的实验
4.3.3基于贯通型噪声Swiss数据集的实验
4.4算法讨论
第五章 基于内容相关性挖掘的反馈式搜索引擎框架
5.1搜索引擎技术现状
5.2 FSE框架的提出
5.3 FSE系统框架
5.4网页相关性矩阵
5.5两种计算概率可达性的算法
5.5.1基于最大可靠路的概率可达性算法
5.5.2基于Markov chain Monte Carlo(MCMC)的概率可达性算法
5.6实验
5.6.1使用DRP算法基于真实数据的实验
5.6.2使用AIE算法的仿真实验
第六章 总结与展望
参考文献
发表论文和科研情况说明
致 谢