| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 课题背景 | 第13-14页 |
| 1.2 多特征图像推荐和超图国内外研究现状分析 | 第14-16页 |
| 1.2.1 多特征图像推荐研究现状分析 | 第14-16页 |
| 1.2.2 超图学习研究现状 | 第16页 |
| 1.3 本文的研究内容及主要贡献 | 第16-19页 |
| 1.3.1 研究的主要内容 | 第16-18页 |
| 1.3.2 本文的创新点 | 第18-19页 |
| 1.4 本文的组织结构 | 第19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 相关理论知识技术及其研究现状 | 第20-36页 |
| 2.1 图像标签相关性计算 | 第20-24页 |
| 2.1.1 硬近邻投票算法 | 第21-22页 |
| 2.1.2 软近邻投票算法 | 第22-24页 |
| 2.1.3 图像标签距离衡量 | 第24页 |
| 2.2 图像内容特征 | 第24-28页 |
| 2.2.1 SIFT特征 | 第25-27页 |
| 2.2.2 GIST特征 | 第27页 |
| 2.2.3 图像距离的衡量 | 第27-28页 |
| 2.3 局部敏感哈希(LSH) | 第28-31页 |
| 2.3.1 Jaccard距离度量 | 第29-30页 |
| 2.3.2 欧式距离度量 | 第30-31页 |
| 2.4 超图构造和学习 | 第31-34页 |
| 2.4.1 超图的定义和概念 | 第31-32页 |
| 2.4.2 超图上的排序研究 | 第32-34页 |
| 2.5 评价指标 | 第34-35页 |
| 2.5.1 NDCG (Normalized Discounted Cumulative) | 第35页 |
| 2.5.2 MAP (Mean Average Precision) | 第35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 多特征异构超图模型建立 | 第36-52页 |
| 3.1 多特征异构超图模型构建流程 | 第36-37页 |
| 3.2 图像特征提取 | 第37-40页 |
| 3.2.1 GIST特征提取 | 第37-39页 |
| 3.2.2 SIFT特征提取 | 第39-40页 |
| 3.3 图片标签相关性计算——基于显著区域的软近邻投票方法 | 第40-48页 |
| 3.3.1 视觉显著性区域检测 | 第42-44页 |
| 3.3.2 软近邻投票权重计算策略选择 | 第44-45页 |
| 3.3.3 图像标签相关性计算 | 第45-47页 |
| 3.3.4 标签排序结果评估和分析 | 第47-48页 |
| 3.4 多特征异构超图构建 | 第48-51页 |
| 3.4.1 单特征超图构建 | 第48-51页 |
| 3.4.2 统一超图构建 | 第51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 基于多特征异构超图学习和图像推荐 | 第52-61页 |
| 4.1 基于多特征异构超图的图像推荐框架 | 第52-56页 |
| 4.1.1 单特征超图上的排序 | 第53-55页 |
| 4.1.2 多特征异构超图上的排序 | 第55-56页 |
| 4.2 图像推荐过程 | 第56-58页 |
| 4.2.1 相似度初始化 | 第56-57页 |
| 4.2.2 数据集图像排序分数计算 | 第57-58页 |
| 4.3 基于多特征异构超图的图像推荐算法总结说明 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 复杂度分析以及算法评价 | 第61-67页 |
| 5.1 算法复杂度分析 | 第61页 |
| 5.2 实验结果 | 第61-63页 |
| 5.2.1 数据集 | 第61-62页 |
| 5.2.2 实验结果展示 | 第62-63页 |
| 5.3 算法评价与分析 | 第63-66页 |
| 5.3.1 参数调整 | 第64-65页 |
| 5.3.2 与其他方法比较 | 第65-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间主要的研究成果 | 第73-74页 |
| 致谢 | 第74页 |
