| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 国内外相关研究和综述 | 第8-14页 |
| 1.2.1 特征提取方法 | 第10-12页 |
| 1.2.2 多特征融合聚类方法 | 第12-14页 |
| 1.3 问题的总结与分析 | 第14页 |
| 1.4 本文的主要工作 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-16页 |
| 第2章 WEB广告聚类的相关技术 | 第16-28页 |
| 2.1 Web广告的特点 | 第16-17页 |
| 2.2 Web广告数据的多特征表示模型 | 第17页 |
| 2.3 Web广告数据的多特征提取 | 第17-21页 |
| 2.3.1 文本特征提取方法 | 第18-19页 |
| 2.3.2 图像特征提取方法 | 第19-21页 |
| 2.4 前融合聚类方法 | 第21-24页 |
| 2.4.1 基于特征空间抽取的聚类方法 | 第21-23页 |
| 2.4.2 基于特征加权的聚类方法 | 第23-24页 |
| 2.5 聚类评价标准 | 第24-27页 |
| 2.5.1 F-Measures | 第25-26页 |
| 2.5.2 Rand指数和Jaccard系数 | 第26页 |
| 2.5.3 Purity | 第26页 |
| 2.5.4 NMI | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于鉴别子空间的K-MEANS聚类方法 | 第28-37页 |
| 3.1 多特征聚类中的鉴别子空间 | 第28-29页 |
| 3.2 优化模型 | 第29-30页 |
| 3.3 鉴别子空间k-means算法的提出与证明 | 第30-33页 |
| 3.4 实验设计与结果分析 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 WEB广告数据多特征融合聚类 | 第37-52页 |
| 4.1 Web广告数据的多特征数据集 | 第37-38页 |
| 4.2 文本特征提取 | 第38-39页 |
| 4.2.1 基于完全匹配的文本特征 | 第38页 |
| 4.2.2 基于模糊匹配的文本特征 | 第38-39页 |
| 4.3 图像特征提取 | 第39-44页 |
| 4.3.1 基于SIFT特征的图像聚类 | 第40-41页 |
| 4.3.2 基于灰度共生矩阵的图像聚类 | 第41-42页 |
| 4.3.3 基于CIELab空间EMD距离的图像聚类 | 第42-44页 |
| 4.3.4 基于caffe目标识别特征的图像聚类 | 第44页 |
| 4.4 基于Dkmeans算法的多特征融合聚类 | 第44-45页 |
| 4.5 实验设计与结果分析 | 第45-51页 |
| 4.5.1 文本特征选择方法实验 | 第45-47页 |
| 4.5.2 图像特征提取方法实验 | 第47-48页 |
| 4.5.3 特征融合实验 | 第48-51页 |
| 4.6 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58页 |