基于多源数据的视频语义分析与推荐技术研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究历史与现状 | 第11-13页 |
| 1.2.1 视频语义提取国内外研究历史与现状 | 第11-12页 |
| 1.2.2 视频推荐算法国内外研究历史与现状 | 第12-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 1.4 本论文的结构安排 | 第14-15页 |
| 第二章 视频语义提取与视频推荐算法基础 | 第15-25页 |
| 2.1 视频语义提取 | 第15-16页 |
| 2.1.1 基于关键帧的视频语义提取 | 第15-16页 |
| 2.1.2 基于视频文本信息关键词提取 | 第16页 |
| 2.2 卷积神经网络 | 第16-21页 |
| 2.2.1 神经网络 | 第16-17页 |
| 2.2.2 卷积神经网络 | 第17-21页 |
| 2.2.2.1 卷积层 | 第18-19页 |
| 2.2.2.2 池化层 | 第19-20页 |
| 2.2.2.3 全连接层 | 第20-21页 |
| 2.3 推荐系统 | 第21-23页 |
| 2.3.1 基于协同过滤的推荐 | 第21页 |
| 2.3.2 基于内容的推荐 | 第21-22页 |
| 2.3.3 基于流行度的推荐 | 第22-23页 |
| 2.3.4 推荐系统评价指标 | 第23页 |
| 2.4 自编码器 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于3D卷积神经网络的视频语义提取 | 第25-51页 |
| 3.1 基于监督学习的视频行为语义提取 | 第25-45页 |
| 3.1.1 体育视频数据结构定义 | 第25-26页 |
| 3.1.2 子动作语义提取 | 第26-29页 |
| 3.1.2.1 3D卷积神经网络模型定义 | 第26-27页 |
| 3.1.2.2 3D卷积神经网络卷积核选取 | 第27-28页 |
| 3.1.2.3 3D卷积神经网络的设计 | 第28-29页 |
| 3.1.3 行为语义提取 | 第29-36页 |
| 3.1.3.1 连续时序分类CTC | 第30-33页 |
| 3.1.3.2 基于CTC的行为语义提取模型 | 第33-36页 |
| 3.1.4 模型准确度测试 | 第36-45页 |
| 3.1.4.1 测试数据及测试流程设计 | 第36-41页 |
| 3.1.4.2 实验环境 | 第41页 |
| 3.1.4.3 训练参数选择 | 第41-42页 |
| 3.1.4.4 UCF-101数据集上的实验结果 | 第42-44页 |
| 3.1.4.5 vine数据集上的实验结果 | 第44-45页 |
| 3.2 基于非监督学习的视频潜在语义提取 | 第45-50页 |
| 3.2.1 自编码器 | 第46页 |
| 3.2.2 递归自编码器 | 第46-48页 |
| 3.2.3 视频潜在语义提取模型 | 第48-49页 |
| 3.2.4 模型准确度测试 | 第49-50页 |
| 3.3 本章总结 | 第50-51页 |
| 第四章 基于多源数据的视频推荐技术研究 | 第51-68页 |
| 4.1 问题描述 | 第51-52页 |
| 4.2 基于视频行为语义相似度的推荐 | 第52-56页 |
| 4.3 基于视频语义相似度的融合推荐 | 第56-58页 |
| 4.4 基于视频描述信息主题相似度的视频推荐 | 第58-64页 |
| 4.4.1 文本主题模型 | 第58-61页 |
| 4.4.2 基于文本主题相似度的推荐 | 第61-64页 |
| 4.5 基于多源数据的视频推荐 | 第64-67页 |
| 4.6 本章总结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 全文总结 | 第68页 |
| 5.2 后续工作展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间取得的成果 | 第75页 |
