| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文主要工作和贡献 | 第12-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第二章 相关理论和技术研究 | 第16-28页 |
| 2.1 表示学习 | 第16-17页 |
| 2.2 词向量表示模型 | 第17-23页 |
| 2.2.1 OneHot表示模型 | 第17页 |
| 2.2.2 基于矩阵的分布式表示模型 | 第17-18页 |
| 2.2.3 基于神经网络的分布式表示模型 | 第18-23页 |
| 2.3 句向量表示模型 | 第23-27页 |
| 2.3.1 词袋模型 | 第23页 |
| 2.3.2 基于Word2Vec的衍生句向量模型 | 第23-24页 |
| 2.3.3 Doc2Vec模型 | 第24-26页 |
| 2.3.4 LDA主题模型 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于DPI流量的域名表示学习 | 第28-42页 |
| 3.1 用户访问序列的构建 | 第28-31页 |
| 3.1.1 移动流量深度报文检测数据 | 第28-29页 |
| 3.1.2 用户访问序列的构建 | 第29-31页 |
| 3.2 域名的分布式表示学习算法 | 第31-33页 |
| 3.3 基于域名表示模型的实用案例 | 第33-40页 |
| 3.3.1 域名的分类实验 | 第33-38页 |
| 3.3.2 域名的相似度挖掘实验 | 第38-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 基于DPI流量的用户表示学习 | 第42-60页 |
| 4.1 用户的分布式表示学习算法 | 第42-44页 |
| 4.1.1 基于Doc2Vec的User2ec | 第42-43页 |
| 4.1.2 基于LDA的Usr2ec | 第43页 |
| 4.1.3 基于Doc2Vec和LDA用户表示向量的差别 | 第43-44页 |
| 4.2 基于用户表示模型的实用案例 | 第44-58页 |
| 4.2.1 用户聚类实验 | 第45-52页 |
| 4.2.2 异常用户检测实验 | 第52-58页 |
| 4.3 本章小结 | 第58-60页 |
| 第五章 总结和展望 | 第60-62页 |
| 5.1 本文的工作总结 | 第60页 |
| 5.2 未来的研究方向 | 第60-62页 |
| 5.2.1 表示学习层的未来研究方向 | 第61页 |
| 5.2.2 应用层的未来研究方向 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间取得的研究成果 | 第68页 |