基于多特征信息融合的WEB广告分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及意义 | 第9页 |
| 1.2 广告分类研究现状 | 第9-13页 |
| 1.2.1 传统广告分类方法 | 第10-12页 |
| 1.2.2 多特征融合分类方法 | 第12-13页 |
| 1.2.3 研究现状总结 | 第13页 |
| 1.3 本文工作 | 第13-14页 |
| 1.4 论文组织与结构 | 第14-16页 |
| 第2章 广告分类相关知识介绍 | 第16-25页 |
| 2.1 互联网广告的特点 | 第16-17页 |
| 2.2 文本分类方法 | 第17-20页 |
| 2.2.1 分词和文本表征模型 | 第17页 |
| 2.2.2 特征权重计算方法 | 第17-18页 |
| 2.2.3 常用文本分类算法 | 第18-19页 |
| 2.2.4 归一化方法 | 第19-20页 |
| 2.3 图片分类方法 | 第20-21页 |
| 2.4 视频分类方法 | 第21-22页 |
| 2.5 多特征融合方法 | 第22-23页 |
| 2.6 分类评价指标及分析 | 第23-24页 |
| 2.7 本章小结 | 第24-25页 |
| 第3章 基于单特征信息的互联网广告分类方法 | 第25-38页 |
| 3.1 相关定义 | 第25-26页 |
| 3.2 WEB 广告文本分类方法 | 第26-29页 |
| 3.2.1 文本预处理和特征选择 | 第26-27页 |
| 3.2.2 贝叶斯分类方法 | 第27-28页 |
| 3.2.3 SVM 分类方法 | 第28页 |
| 3.2.4 KNN 分类方法 | 第28-29页 |
| 3.3 WEB 广告图片分类方法 | 第29-31页 |
| 3.3.1 灰度指纹 | 第29-30页 |
| 3.3.2 一维灰度直方图 | 第30-31页 |
| 3.4 WEB 广告视频分类方法 | 第31页 |
| 3.5 实验与结果分析 | 第31-37页 |
| 3.5.1 实验环境 | 第31-32页 |
| 3.5.2 实验数据 | 第32页 |
| 3.5.3 文本分类-特征选择 | 第32-34页 |
| 3.5.4 文本分类-单个特征最优分类算法选择 | 第34-35页 |
| 3.5.5 图片分类-灰度指纹 | 第35页 |
| 3.5.6 图片分类-灰度直方图 | 第35-36页 |
| 3.5.7 视频分类-视频的帧选择 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 基于多特征信息融合的互联网广告分类方法 | 第38-55页 |
| 4.1 互联网广告多特征分析 | 第38-39页 |
| 4.2 多特征前期融合方法 | 第39-42页 |
| 4.2.1 前期融合-类的向量空间模型 | 第39-41页 |
| 4.2.2 前期融合-层次分类模型 | 第41-42页 |
| 4.3 多特征后期融合方法 | 第42-50页 |
| 4.3.1 多特征后期融合思路 | 第42-43页 |
| 4.3.2 概率修正模型 | 第43-44页 |
| 4.3.3 贝叶斯融合方法 | 第44-47页 |
| 4.3.4 加权贝叶斯融合方法 | 第47-50页 |
| 4.4 实验与结果分析 | 第50-53页 |
| 4.4.1 前期特征-直接融合 | 第50-51页 |
| 4.4.2 多特征后期融合-贝叶斯融合 | 第51-53页 |
| 4.4.3 多特征后期融合-加权贝叶斯融合 | 第53页 |
| 4.5 本章小结 | 第53-55页 |
| 第5章 多特征信息融合的广告分类系统 | 第55-63页 |
| 5.1 系统功能与开发环境 | 第55-56页 |
| 5.1.1 系统各模块介绍 | 第55-56页 |
| 5.1.2 软件开发环境 | 第56页 |
| 5.2 系统总体设计 | 第56-59页 |
| 5.3 系统详细设计 | 第59-62页 |
| 5.3.1 广告抓取模块 | 第59-60页 |
| 5.3.2 单特征分类模块 | 第60-61页 |
| 5.3.3 多特征融合模块 | 第61页 |
| 5.3.4 结果统计分析模块 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第67-69页 |
| 致谢 | 第69页 |
