社交媒体中的语义位置预测
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-12页 |
| 1.1 研究背景 | 第6-7页 |
| 1.2 研究内容 | 第7-10页 |
| 1.2.1 多模态融合的语义位置预测 | 第7-8页 |
| 1.2.2 融合用户属性的多模态语义位置预测 | 第8-10页 |
| 1.3 论文主要工作 | 第10-12页 |
| 2 相关领域研究现状 | 第12-20页 |
| 2.1 语义位置预测问题 | 第12-13页 |
| 2.2 分类问题 | 第13-18页 |
| 2.2.1 文本分类问题 | 第13-15页 |
| 2.2.2 图像分类问题 | 第15-16页 |
| 2.2.3 多模态分类问题 | 第16-18页 |
| 2.3 社交媒体中的用户属性提取问题 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 3 多模态特征层融合的语义位置预测 | 第20-36页 |
| 3.1 多模态特征层融合的网络框架 | 第20-26页 |
| 3.1.1 融合网络的文本通道构成 | 第21-23页 |
| 3.1.2 融合网络的图像通道构成 | 第23-26页 |
| 3.2 实验 | 第26-35页 |
| 3.2.1 数据采集和预处理 | 第26-28页 |
| 3.2.2 文本通道参数的初始化配置 | 第28-29页 |
| 3.2.3 图像通道参数的初始化配置 | 第29-31页 |
| 3.2.4 多模态特征层融合实验 | 第31页 |
| 3.2.5 对比实验与分析 | 第31-35页 |
| 3.3 本章小结 | 第35-36页 |
| 4 融合用户属性的多模态语义位置预测 | 第36-54页 |
| 4.1 融合用户属性的多模态语义位置预测框架 | 第36-37页 |
| 4.2 微博的图像特征提取方法 | 第37-38页 |
| 4.3 微博的用户属性提取方法 | 第38-46页 |
| 4.3.1 Twitter-LDA的数学基础 | 第41-43页 |
| 4.3.2 Twitter-LDA的模型基础 | 第43-46页 |
| 4.4 实验 | 第46-52页 |
| 4.4.1 实验数据 | 第46-47页 |
| 4.4.2 微博的图像特征提取实验 | 第47-48页 |
| 4.4.3 微博的用户属性提取实验 | 第48-52页 |
| 4.4.4 融合用户属性的多模态语义位置预测实验 | 第52页 |
| 4.5 本章小结 | 第52-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61-63页 |
