基于多模态的邮件标识方法及应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 邮件标识方法国内外研究现状 | 第11-13页 |
| 1.2.1 传统邮件标识方法的发展历程 | 第11-12页 |
| 1.2.2 基于深度学习的邮件标识方法研究现状 | 第12-13页 |
| 1.2.3 基于多模态的邮件标识方法研究现状 | 第13页 |
| 1.3 本文研究内容与主要工作 | 第13-14页 |
| 1.4 本文的结构安排 | 第14-15页 |
| 第二章 相关理论和技术基础 | 第15-37页 |
| 2.1 电子邮件原理 | 第15-17页 |
| 2.1.1 电子邮件工作原理 | 第15-16页 |
| 2.1.2 电子邮件的传输协议 | 第16页 |
| 2.1.3 电子邮件的格式协议 | 第16-17页 |
| 2.2 邮件标识方法基础 | 第17-21页 |
| 2.2.1 文本型邮件标识方法简介 | 第17-20页 |
| 2.2.2 图像型邮件标识方法简介 | 第20-21页 |
| 2.3 深度学习技术基础 | 第21-32页 |
| 2.3.1 反向传播算法 | 第21-22页 |
| 2.3.2 卷积神经网络 | 第22-29页 |
| 2.3.3 循环神经网络 | 第29-32页 |
| 2.4 自然语言处理相关理论 | 第32-36页 |
| 2.4.1 文本分词技术 | 第33-34页 |
| 2.4.2 词嵌入 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 基于多模态的邮件标识方法研究 | 第37-56页 |
| 3.1 相关背景与动机 | 第37-38页 |
| 3.2 一种基于模型融合的多模态架构 | 第38-46页 |
| 3.2.1 基础架构设计 | 第39页 |
| 3.2.2 文本分类深度网络模型设计 | 第39-42页 |
| 3.2.3 图像分类深度网络模型设计 | 第42-44页 |
| 3.2.4 多模态模型融合 | 第44-45页 |
| 3.2.5 网络训练方式 | 第45-46页 |
| 3.3 一种基于特征融合的多模态架构 | 第46-49页 |
| 3.3.1 基础架构设计 | 第46页 |
| 3.3.2 多模态特征学习 | 第46-48页 |
| 3.3.3 网络优化方法 | 第48页 |
| 3.3.4 网络训练方式 | 第48-49页 |
| 3.4 实验设计与实验结果 | 第49-55页 |
| 3.4.1 对比实验设计 | 第49页 |
| 3.4.2 实验数据 | 第49-51页 |
| 3.4.3 评价指标 | 第51-52页 |
| 3.4.4 实验结果分析 | 第52-55页 |
| 3.5 本章小结 | 第55-56页 |
| 第四章 垃圾邮件过滤系统设计与实现 | 第56-78页 |
| 4.1 系统设计 | 第56-65页 |
| 4.1.1 系统简介 | 第56页 |
| 4.1.2 系统硬件架构设计与部署 | 第56-57页 |
| 4.1.3 系统软件架构 | 第57-59页 |
| 4.1.4 系统工作流程 | 第59-64页 |
| 4.1.5 数据库设计 | 第64-65页 |
| 4.2 系统实现 | 第65-75页 |
| 4.2.1 Master配置管理模块 | 第65-68页 |
| 4.2.2 Master任务管理模块 | 第68-69页 |
| 4.2.3 Slave系统配置模块 | 第69页 |
| 4.2.4 Slave邮件过滤模块 | 第69-75页 |
| 4.3 性能测试 | 第75-77页 |
| 4.3.1 评价指标 | 第75页 |
| 4.3.2 测试数据 | 第75页 |
| 4.3.3 测试环境 | 第75-76页 |
| 4.3.4 测试结果与分析 | 第76-77页 |
| 4.4 本章小结 | 第77-78页 |
| 第五章 总结与展望 | 第78-79页 |
| 5.1 全文总结 | 第78页 |
| 5.2 后续工作展望 | 第78-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-83页 |
