| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景与研究意义 | 第10页 |
| 1.2 社交策展网络 | 第10-14页 |
| 1.2.1 社交策展网络的特点 | 第11-12页 |
| 1.2.2 社交策展网络上的用户行为 | 第12-13页 |
| 1.2.3 社交策展网络的数据 | 第13-14页 |
| 1.2.4 花瓣网简介 | 第14页 |
| 1.3 论文的研究内容与论文结构 | 第14-16页 |
| 第2章 相关研究现状 | 第16-30页 |
| 2.1 社交策展网络研究现状 | 第16-18页 |
| 2.2 多模态表示研究现状 | 第18-21页 |
| 2.2.1 图像表示 | 第18-19页 |
| 2.2.2 文本表示 | 第19-20页 |
| 2.2.3 多模态融合 | 第20-21页 |
| 2.3 推荐系统研究现状 | 第21-28页 |
| 2.3.1 推荐算法分类 | 第22-26页 |
| 2.3.2 推荐系统评价 | 第26-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 融合多模态相似性与分类一致性的用户推荐 | 第30-40页 |
| 3.1 总体框架 | 第30页 |
| 3.2 算法设计 | 第30-34页 |
| 3.2.1 融合转采链和分类内容的采集间相似性度量 | 第31-33页 |
| 3.2.2 分类一致性加权的用户间兴趣同质性度量 | 第33-34页 |
| 3.3 实验及结果分析 | 第34-38页 |
| 3.3.1 数据爬取 | 第34-35页 |
| 3.3.2 算法实施细节及评价指标 | 第35-36页 |
| 3.3.3 权重优化分析 | 第36-37页 |
| 3.3.4 算法性能分析 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 基于深度学习的多模态表示 | 第40-54页 |
| 4.1 总体框架 | 第40-41页 |
| 4.2 图像表示 | 第41-44页 |
| 4.2.1 图像自动标注 | 第41-43页 |
| 4.2.2 卷积神经网络模型 | 第43-44页 |
| 4.3 文本表示 | 第44-46页 |
| 4.3.1 词嵌入 | 第45页 |
| 4.3.2 基于词向量的文本表示 | 第45-46页 |
| 4.4 多模态融合 | 第46-48页 |
| 4.5 实验及结果分析 | 第48-53页 |
| 4.5.1 数据爬取及图像自动标注 | 第48-49页 |
| 4.5.2 图像表示实施细节 | 第49页 |
| 4.5.3 文本表示实施细节 | 第49-50页 |
| 4.5.4 多模态融合实施细节 | 第50-51页 |
| 4.5.5 性能分析 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 基于多模态表示的画板及用户建模 | 第54-62页 |
| 5.1 引言 | 第54-55页 |
| 5.2 兴趣分布模型 | 第55-57页 |
| 5.2.1 分类统计模型的局限性 | 第55页 |
| 5.2.2 社交策展网络上的用户个性化 | 第55-57页 |
| 5.2.3 采集兴趣分布的均值 | 第57页 |
| 5.3 均值池化模型 | 第57-58页 |
| 5.4 费雪向量模型 | 第58-61页 |
| 5.4.1 视觉词袋的局限性 | 第58页 |
| 5.4.2 局部特征聚合描述符的局限性 | 第58-59页 |
| 5.4.3 费雪向量 | 第59-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第6章 基于多模态表示的推荐 | 第62-72页 |
| 6.1 引言 | 第62页 |
| 6.2 算法设计 | 第62-65页 |
| 6.2.1 采集推荐 | 第62页 |
| 6.2.2 画板缩略图推荐 | 第62-64页 |
| 6.2.3 画板分类推荐 | 第64页 |
| 6.2.4 画板及用户推荐 | 第64-65页 |
| 6.3 实验及结果分析 | 第65-71页 |
| 6.3.1 数据爬取 | 第65页 |
| 6.3.2 采集推荐性能分析 | 第65-67页 |
| 6.3.3 画板缩略图推荐性能分析 | 第67-69页 |
| 6.3.4 画板分类推荐性能分析 | 第69-70页 |
| 6.3.5 画板及用户推荐性能分析 | 第70-71页 |
| 6.4 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-84页 |
| 攻读硕士学位期间发表的学术论文 | 第84-86页 |
| 致谢 | 第86页 |