| 摘要 | 第4-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第15-29页 |
| 1.1 课题来源 | 第15页 |
| 1.2 研究背景与意义 | 第15-17页 |
| 1.3 国内外研究现状 | 第17-25页 |
| 1.3.1 在线社交网络跨媒体时空信息的获取与表达 | 第17-19页 |
| 1.3.2 在线社交网络跨媒体语义学习 | 第19-21页 |
| 1.3.3 在线社交网络话题搜索 | 第21-23页 |
| 1.3.4 在线社交网络跨媒体事件搜索 | 第23-25页 |
| 1.4 主要研究成果和创新点 | 第25-27页 |
| 1.5 论文组织 | 第27-29页 |
| 第二章 在线社交网络跨媒体时空信息的获取与表达 | 第29-55页 |
| 2.1 引言 | 第29-30页 |
| 2.2 在线社交网络跨媒体时空信息的获取与预处理 | 第30-31页 |
| 2.3 基于时空主题模型的在线社交网络文本信息表达算法的提出(OSNTR) | 第31-50页 |
| 2.3.1 OSNTR算法的研究动机 | 第31-32页 |
| 2.3.2 在线社交网络时空主题模型(STTM)的建立 | 第32-34页 |
| 2.3.3 时空区域、时间以及单词的主题分布 | 第34-35页 |
| 2.3.4 在线社交网络消息的文本主题语义表达 | 第35-36页 |
| 2.3.5 在线社交网络消息的时间主题语义表达 | 第36-37页 |
| 2.3.6 OSNTR算法的实现步骤 | 第37页 |
| 2.3.7 OSNTR算法实验结果与分析 | 第37-49页 |
| 2.3.8 OSNTR算法的复杂度分析 | 第49-50页 |
| 2.4 基于目标注意力机制的在线社交网络图像信息表达算法的提出(IROA) | 第50-54页 |
| 2.4.1 IROA算法的研究动机 | 第50页 |
| 2.4.2 IROA算法描述 | 第50-51页 |
| 2.4.3 IROA算法的实现步骤 | 第51-52页 |
| 2.4.4 IROA算法实验结果与分析 | 第52-54页 |
| 2.5 本章小结 | 第54-55页 |
| 第三章 基于时空特性的在线社交网络跨媒体语义学习 | 第55-71页 |
| 3.1 引言 | 第55页 |
| 3.2 基于时空特性的在线社交网络跨媒体语义学习算法的提出(SCSL) | 第55-63页 |
| 3.2.1 SCSL算法的研究动机 | 第55-56页 |
| 3.2.2 SCSL算法描述 | 第56-57页 |
| 3.2.3 在线社交网络多特征概率图模型(MFPGM)的建立 | 第57-61页 |
| 3.2.4 在线社交网络跨媒体关联映射模型的建立 | 第61-62页 |
| 3.2.5 SCSL算法的实现步骤 | 第62-63页 |
| 3.3 SCSL算法实验结果与分析 | 第63-70页 |
| 3.3.1 实验设置 | 第63-65页 |
| 3.3.2 实验一: MFPGM与对比算法的文本语义表示能力比较 | 第65-67页 |
| 3.3.3 实验二: SCSL与对比算法的MAP值比较 | 第67-68页 |
| 3.3.4 实验三: SCSL与对比算法的召回率比较 | 第68-69页 |
| 3.3.5 实验四: SCSL与其变型算法的比较 | 第69-70页 |
| 3.4 本章小结 | 第70-71页 |
| 第四章 基于语义学习的在线社交网络话题搜索 | 第71-89页 |
| 4.1 引言 | 第71页 |
| 4.2 基于语义学习的在线社交网络话题搜索算法的提出(STS) | 第71-80页 |
| 4.2.1 STS算法的研究动机 | 第71-72页 |
| 4.2.2 STS算法描述 | 第72-73页 |
| 4.2.3 基于扩展的用户—话题标签主题模型(UHTME)的建立 | 第73-77页 |
| 4.2.4 基于相似用户和相似消息的候选话题集的生成 | 第77-79页 |
| 4.2.5 基于语义相关性分数的话题搜索 | 第79页 |
| 4.2.6 STS算法的实现步骤 | 第79-80页 |
| 4.3 STS算法的实验结果与分析 | 第80-87页 |
| 4.3.1 实验设置 | 第80-82页 |
| 4.3.2 实验一: STS与对比算法的话题搜索准确性比较 | 第82-84页 |
| 4.3.3 实验二: 参数变化对STS算法话题搜索准确性的影响 | 第84-86页 |
| 4.3.4 实验三: STS与对比算法的搜索效率比较 | 第86-87页 |
| 4.4 本章小结 | 第87-89页 |
| 第五章 基于语义学习与时空特性的在线社交网络跨媒体事件搜索 | 第89-111页 |
| 5.1 引言 | 第89-90页 |
| 5.2 基于语义学习与时空特性的在线社交网络跨媒体事件搜索算法的提出(CSES) | 第90-99页 |
| 5.2.1 CSES算法的研究动机 | 第91页 |
| 5.2.2 CSES算法描述 | 第91-92页 |
| 5.2.3 基于联合目标注意力和生成对抗网络的公共语义学习模型的提出 | 第92-97页 |
| 5.2.4 在线社交网络跨媒体事件搜索 | 第97-98页 |
| 5.2.5 CSES算法的实现步骤 | 第98-99页 |
| 5.3 CSES算法实验结果与分析 | 第99-109页 |
| 5.3.1 实验设置 | 第99-101页 |
| 5.3.2 实验一:在线社交网络跨媒体事件数据集上的搜索实验 | 第101-105页 |
| 5.3.3 实验二:跨媒体公共数据集上的搜索实验 | 第105-107页 |
| 5.3.4 实验三:CSES算法与其变型算法的对比实验 | 第107-108页 |
| 5.3.5 实验四:参数变化对CSES算法的影响 | 第108-109页 |
| 5.4 本章小结 | 第109-111页 |
| 第六章 基于语义学习与时空特性的在线社交网络跨媒体搜索系统的实现 | 第111-117页 |
| 6.1 引言 | 第111页 |
| 6.2 系统设计 | 第111-112页 |
| 6.3 功能设计与实现 | 第112-116页 |
| 6.3.1 跨媒体时空信息获取与表达模块 | 第112-113页 |
| 6.3.2 跨媒体语义学习模块 | 第113-114页 |
| 6.3.3 在线社交网络话题搜索模块 | 第114-115页 |
| 6.3.4 在线社交网络跨媒体事件搜索模块 | 第115-116页 |
| 6.4 本章小结 | 第116-117页 |
| 第七章 总结与展望 | 第117-121页 |
| 7.1 论文工作总结 | 第117-118页 |
| 7.2 工作展望 | 第118-121页 |
| 参考文献 | 第121-133页 |
| 致谢 | 第133-135页 |
| 攻读博士学位期间的科研成果 | 第135-136页 |
