面向用户生成数据的深度语义表征技术与应用
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第16-26页 |
| 1.1 研究背景及意义 | 第16-19页 |
| 1.2 研究现状 | 第19-22页 |
| 1.2.1 用户生成数据及其应用 | 第19-20页 |
| 1.2.2 对象语义表征 | 第20-22页 |
| 1.3 研究内容与贡献 | 第22-24页 |
| 1.4 组织结构 | 第24-26页 |
| 第2章 基于深度语义表征的在线视频时序标注 | 第26-50页 |
| 2.1 引言 | 第26-27页 |
| 2.2 相关工作 | 第27-29页 |
| 2.2.1 弹幕及其相关应用 | 第27-28页 |
| 2.2.2 词向量与文本表征 | 第28页 |
| 2.2.3 视频高潮提取 | 第28-29页 |
| 2.3 数据的简介与分析 | 第29-34页 |
| 2.3.1 基本信息 | 第29-30页 |
| 2.3.2 数量分布 | 第30-31页 |
| 2.3.3 特殊符号 | 第31-33页 |
| 2.3.4 特殊表达 | 第33-34页 |
| 2.4 问题定义与整体框架 | 第34-35页 |
| 2.5 弹幕文本深度语义表征 | 第35-39页 |
| 2.6 视频片段理解 | 第39-42页 |
| 2.6.1 片段特征构建 | 第39-40页 |
| 2.6.2 高潮识别于片段标注 | 第40-42页 |
| 2.7 实验分析 | 第42-49页 |
| 2.7.1 数据集简介 | 第42页 |
| 2.7.2 聚类结果展示 | 第42-44页 |
| 2.7.3 对照模型与评价指标 | 第44-46页 |
| 2.7.4 整体结果 | 第46页 |
| 2.7.5 参数敏感性讨论 | 第46-48页 |
| 2.7.6 案例分析 | 第48-49页 |
| 2.8 本章小结 | 第49-50页 |
| 第3章 基于表征空间映射的视频实时评论生成 | 第50-68页 |
| 3.1 引言 | 第50-51页 |
| 3.2 相关工作 | 第51-53页 |
| 3.2.1 文本生成 | 第52页 |
| 3.2.2 无监督自编码器 | 第52页 |
| 3.2.3 生成对抗网络 | 第52-53页 |
| 3.3 问题定义 | 第53-54页 |
| 3.4 多空间语义表征 | 第54-60页 |
| 3.4.1 图像表征结构 | 第57-58页 |
| 3.4.2 文本表征结构 | 第58-60页 |
| 3.5 生成对抗模块 | 第60-61页 |
| 3.6 实验分析 | 第61-67页 |
| 3.6.1 数据预处理 | 第61-62页 |
| 3.6.2 对照模型 | 第62页 |
| 3.6.3 评价指标 | 第62-63页 |
| 3.6.4 整体结果 | 第63-64页 |
| 3.6.5 平衡表征能力与生成能力 | 第64-65页 |
| 3.6.6 案例分析 | 第65-67页 |
| 3.7 本章小节 | 第67-68页 |
| 第4章 基于终身表征学习的情感分类 | 第68-87页 |
| 4.1 引言 | 第68-70页 |
| 4.2 相关工作 | 第70-71页 |
| 4.2.1 情感分类 | 第70页 |
| 4.2.2 终身学习与灾难性遗忘 | 第70-71页 |
| 4.2.3 迁移学习和多任务学习 | 第71页 |
| 4.3 问题定义及分析 | 第71-72页 |
| 4.4 双分支终身情感分类架构 | 第72-74页 |
| 4.4.1 特征学习网络 | 第72-73页 |
| 4.4.2 知识积累网络 | 第73-74页 |
| 4.4.3 网络融合部分 | 第74页 |
| 4.5 局部更新机制 | 第74-78页 |
| 4.5.1 自由神经元检测 | 第76-77页 |
| 4.5.2 梯度掩模 | 第77-78页 |
| 4.6 实验分析 | 第78-86页 |
| 4.6.1 部分更新机制的初步验证 | 第78-80页 |
| 4.6.2 实验设置 | 第80-82页 |
| 4.6.3 实验结果(方案一) | 第82-83页 |
| 4.6.4 实验结果(方案二) | 第83-86页 |
| 4.7 本章小结 | 第86-87页 |
| 第5章 总结与展望 | 第87-91页 |
| 5.1 工作总结 | 第87-89页 |
| 5.2 未来展望 | 第89-91页 |
| 参考文献 | 第91-101页 |
| 致谢 | 第101-103页 |
| 在读期间发表的学术论文与取得的研究成果 | 第103-105页 |
