基于深度学习特征的图像推荐系统
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 课题研究背景 | 第12-13页 |
| 1.2 课题研究背景国内外研究历史与现状 | 第13-17页 |
| 1.2.1 推荐系统研究现状 | 第13-15页 |
| 1.2.2 图像推荐系统研究现状 | 第15-17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 1.4 本论文的结构安排 | 第18-19页 |
| 第二章 图像推荐相关技术介绍 | 第19-31页 |
| 2.1 图像推荐相关的图像内容特征 | 第19-23页 |
| 2.1.1 PHOG特征 | 第19-20页 |
| 2.1.2 CEDD特征 | 第20-21页 |
| 2.1.3 SIFT特征 | 第21-23页 |
| 2.2 图像推荐相关的深度学习特征 | 第23-28页 |
| 2.2.1 BP神经网络 | 第24-26页 |
| 2.2.2 卷积神经网络 | 第26-28页 |
| 2.2.3 稀疏自编码器 | 第28页 |
| 2.3 图像推荐模型 | 第28-30页 |
| 2.3.1 基于关键字的图像推荐模型 | 第29-30页 |
| 2.3.2 基于内容的图像推荐模型 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 系统需求分析 | 第31-36页 |
| 3.1 整体需求分析 | 第31-33页 |
| 3.2 系统功能需求 | 第33-35页 |
| 3.2.1 商品图像采集 | 第33-34页 |
| 3.2.2 图像特征提取 | 第34页 |
| 3.2.3 图像索引 | 第34页 |
| 3.2.4 图像检索 | 第34-35页 |
| 3.3 系统性能需求 | 第35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于深度学习特征的图像推荐系统设计 | 第36-59页 |
| 4.1 系统框架设计 | 第36-39页 |
| 4.2 网络爬虫模块设计 | 第39-45页 |
| 4.2.1 海量商品图像及信息采集系统 | 第39页 |
| 4.2.2 分布式爬虫系统架构 | 第39-42页 |
| 4.2.3 基于静态模板的信息提取 | 第42-44页 |
| 4.2.3.1 算法实现步骤 | 第42-43页 |
| 4.2.3.2 静态模板的配置 | 第43-44页 |
| 4.2.3.3 静态模板提取结果的修正 | 第44页 |
| 4.2.4 图像信息的存储 | 第44-45页 |
| 4.3 图像特征提取模块设计 | 第45-52页 |
| 4.3.1 卷积神经网络模型训练 | 第45-48页 |
| 4.3.2 图像深度特征提取 | 第48-49页 |
| 4.3.3 图像深度特征降维 | 第49-52页 |
| 4.4 图像特征索引与检索模块 | 第52-58页 |
| 4.4.1 局部敏感哈希算法 | 第53-55页 |
| 4.4.1.1 最近邻搜索问题 | 第53-54页 |
| 4.4.1.2 局部敏感哈希算法 | 第54-55页 |
| 4.4.2 图像特征索引模块 | 第55-58页 |
| 4.4.3 图像检索模块 | 第58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 系统展示 | 第59-75页 |
| 5.1 数据准备 | 第59-61页 |
| 5.2 检索结果评价方法 | 第61-63页 |
| 5.2.1 无序结果评价 | 第61页 |
| 5.2.2 有序结果评价 | 第61-63页 |
| 5.2.2.1 MAP值 | 第61-62页 |
| 5.2.2.2 NDCG值 | 第62-63页 |
| 5.3 实验结果 | 第63-70页 |
| 5.3.1 图像特征实验结果 | 第63-69页 |
| 5.3.2 基于分布式的LSH算法实验结果 | 第69-70页 |
| 5.4 系统展示 | 第70-71页 |
| 5.5 系统对比展示 | 第71-74页 |
| 5.6 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 本文的主要贡献 | 第75页 |
| 6.2 工作展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-82页 |
