| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 目录 | 第8-10页 |
| 1 引言 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 个性化推荐研究现状 | 第12-13页 |
| 1.2.2 图像推荐研究现状 | 第13-15页 |
| 1.3 论文主要研究内容 | 第15-16页 |
| 1.4 内容概要与组织结构 | 第16-17页 |
| 2 图像推荐相关技术和理论介绍 | 第17-31页 |
| 2.1 图像推荐常用特征 | 第17-21页 |
| 2.1.1 颜色特征 | 第17-19页 |
| 2.1.2 HOG 特征 | 第19-20页 |
| 2.1.3 PHOG 特征 | 第20页 |
| 2.1.4 GIST 特征 | 第20-21页 |
| 2.2 图像分割算法介绍 | 第21-26页 |
| 2.2.1 图像分割经典算法 | 第21-23页 |
| 2.2.2 JSEG 算法 | 第23-26页 |
| 2.3 图像推荐模型综述 | 第26-28页 |
| 2.3.1 基于内容的图像推荐模型 | 第26-27页 |
| 2.3.2 基于关键字的图像推荐模型 | 第27页 |
| 2.3.3 基于贝叶斯的图像推荐系统 | 第27-28页 |
| 2.4 个性化推荐模型综述 | 第28-30页 |
| 2.4.1 基于关联规则的个性化推荐模型 | 第28-29页 |
| 2.4.2 基于用户行为的个性化推荐模型 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 图像推荐数据库的构建 | 第31-40页 |
| 3.1 数据库的构建 | 第31-32页 |
| 3.2 基于多示例学习的图像标签传播 | 第32-38页 |
| 3.2.1 多示例学习概述 | 第33-34页 |
| 3.2.2 基于多样性密度算法选择示例原型 | 第34-36页 |
| 3.2.3 基于示例原型的标签特征映射 | 第36-38页 |
| 3.3 图像内容分类 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 基于隐支持向量机的图像个性化语义分析推荐算法 | 第40-58页 |
| 4.1 问题概述 | 第40-42页 |
| 4.2 特征的选择与提取 | 第42-47页 |
| 4.2.1 颜色特征提取 | 第43-45页 |
| 4.2.2 PHOG特征提取 | 第45-47页 |
| 4.3 基于隐支持向量机的图像个性化语义分析推荐算法介绍 | 第47-53页 |
| 4.3.1 隐支持向量机概述 | 第48-51页 |
| 4.3.2 隐支持向量机的图像推荐模型 | 第51-53页 |
| 4.4 实验设计和结果 | 第53-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第63-65页 |
| 学位论文数据集 | 第65页 |