基于LDA的智能电视家庭成员识别方法研究
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 文章选题背景 | 第12-13页 |
| 1.2 智能电视的概念及发展状况 | 第13-14页 |
| 1.2.1 智能电视的概念 | 第13页 |
| 1.2.2 智能电视的发展状况 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-16页 |
| 1.4 文章的章节安排 | 第16-18页 |
| 第二章 数据挖掘和机器学习概述 | 第18-24页 |
| 2.1 数据挖掘技术 | 第18-19页 |
| 2.2 机器学习发展史 | 第19-20页 |
| 2.3 决策树算法 | 第20-23页 |
| 2.3.1 建立决策树 | 第21-22页 |
| 2.3.2 过分拟合和剪枝 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 LDA模型和支持向量机 | 第24-39页 |
| 3.1 LDA模型 | 第24-34页 |
| 3.1.1 文档生成规则 | 第24-27页 |
| 3.1.2 物理过程分解 | 第27-30页 |
| 3.1.3 吉布斯采样 | 第30-34页 |
| 3.2 支持向量机 | 第34-38页 |
| 3.2.1 线性可分 | 第34-36页 |
| 3.2.2 线性不可分 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 智能电视家庭成员分析 | 第39-55页 |
| 4.1 家庭成员识别方法概述 | 第39-40页 |
| 4.2 影片信息分词 | 第40-41页 |
| 4.3 主题生成及影片概率分布 | 第41-43页 |
| 4.4 用户建模 | 第43-47页 |
| 4.5 分析家庭成员组成 | 第47-51页 |
| 4.5.1 确定用户属性 | 第47页 |
| 4.5.2 判别家庭成员组成 | 第47-48页 |
| 4.5.3 多类分类支持向量机 | 第48-50页 |
| 4.5.4 多分类支持向量机判断家庭成员 | 第50-51页 |
| 4.6 家庭类别 | 第51-54页 |
| 4.7 本章小结 | 第54-55页 |
| 第五章 实验设计与方法改进 | 第55-64页 |
| 5.1 数据来源 | 第55页 |
| 5.2 实验环境 | 第55-58页 |
| 5.2.1 开发环境 | 第55页 |
| 5.2.2 LDA模型平台 | 第55-58页 |
| 5.3 家庭成员识别方法改进 | 第58-59页 |
| 5.3.1 家庭成员识别方法的不足 | 第58页 |
| 5.3.2 方法改进 | 第58-59页 |
| 5.4 多分类支持向量机判断家庭成员 | 第59-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士期间发表的专利 | 第73-74页 |
| 学位论文评阅及答辩情况表 | 第74页 |
