基于PaddlePaddle的广告配图策略研究与实现
| 摘要 | 第2-3页 |
| ABSTRACT | 第3-4页 |
| 第一章 引言 | 第7-12页 |
| 1.1 研究背景 | 第7页 |
| 1.2 国内外研究现状 | 第7-8页 |
| 1.3 互联网广告常用术语 | 第8-9页 |
| 1.4 存在的问题 | 第9-10页 |
| 1.4.1 图文类广告存在的问题 | 第9页 |
| 1.4.2 旅游类广告存在的问题 | 第9-10页 |
| 1.5 本文研究内容及创新点 | 第10-11页 |
| 1.6 论文结构 | 第11-12页 |
| 第二章 PADDLEPADDLE框架与相关知识 | 第12-25页 |
| 2.1 PaddlePaddle简介 | 第12页 |
| 2.2 编译与安装 | 第12-15页 |
| 2.2.1 使用Pip安装 | 第12-13页 |
| 2.2.2 使用Docker安装 | 第13-14页 |
| 2.2.3 从源码编译安装 | 第14-15页 |
| 2.3 实践举例 | 第15-20页 |
| 2.3.1 数据预处理 | 第15-16页 |
| 2.3.2 设计函数 | 第16-18页 |
| 2.3.3 模型训练 | 第18-19页 |
| 2.3.4 用模型做预测 | 第19-20页 |
| 2.4 性能优化与贡献代码 | 第20-23页 |
| 2.4.1 Python代码的性能分析 | 第20页 |
| 2.4.2 贡献开源文档和代码 | 第20-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 广告图片分类 | 第25-36页 |
| 3.1 背景介绍 | 第25页 |
| 3.2 数据准备 | 第25-26页 |
| 3.3 模型训练 | 第26-33页 |
| 3.3.1 模型初始化 | 第26页 |
| 3.3.2 定义网络结构 | 第26-28页 |
| 3.3.3 定义分类器 | 第28页 |
| 3.3.4 定义损失函数和网络输出 | 第28-33页 |
| 3.4 模型应用 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 短文本相似度计算 | 第36-48页 |
| 4.1 背景介绍 | 第36-37页 |
| 4.2 模型介绍 | 第37-40页 |
| 4.2.1 N-Gram模型 | 第37-39页 |
| 4.2.2 CBOW模型 | 第39页 |
| 4.2.3 Skip-Gram模型 | 第39-40页 |
| 4.2.4 语言模型 | 第40页 |
| 4.3 数据准备 | 第40-41页 |
| 4.4 模型训练 | 第41-44页 |
| 4.5 模型应用 | 第44-46页 |
| 4.5.1 查看词向量 | 第44-46页 |
| 4.5.2 修改词向量 | 第46页 |
| 4.5.3 计算短文本相关性 | 第46页 |
| 4.6 本章小结 | 第46-48页 |
| 第五章 样式设计与上线流程 | 第48-58页 |
| 5.1 背景介绍 | 第48-49页 |
| 5.2 样式设计 | 第49-51页 |
| 5.3 物料准备 | 第51-55页 |
| 5.3.1 流程图 | 第51-52页 |
| 5.3.2 数据绑定关系 | 第52-55页 |
| 5.3.3 相关性指标 | 第55页 |
| 5.4 数据评估及后期思考 | 第55-57页 |
| 5.5 实验效果及分析 | 第57页 |
| 5.6 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-59页 |
| 6.1 本文研究工作总结 | 第58页 |
| 6.2 未来工作展望 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 攻读硕士研究生期间研究成果 | 第61-62页 |
| 致谢 | 第62-63页 |
