| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第17-26页 |
| 1.1 研究背景及意义 | 第17-21页 |
| 1.2 研究现状 | 第21-22页 |
| 1.3 研究内容 | 第22-24页 |
| 1.4 组织结构 | 第24-26页 |
| 第2章 弹幕特性分析与量化建模 | 第26-60页 |
| 2.1 引言 | 第26-28页 |
| 2.2 数据介绍及分析 | 第28-32页 |
| 2.2.1 弹幕描述和数据介绍 | 第28-29页 |
| 2.2.2 数据量分布 | 第29-30页 |
| 2.2.3 时序分布 | 第30-32页 |
| 2.3 羊群效应量化模型 | 第32-35页 |
| 2.3.1 羊群效应模型 | 第32-33页 |
| 2.3.2 实验分析 | 第33-35页 |
| 2.4 多峰检测模型 | 第35-40页 |
| 2.4.1 检测算法 | 第35-36页 |
| 2.4.2 实验分析 | 第36-38页 |
| 2.4.3 关联分析 | 第38-40页 |
| 2.5 关键弹幕识别模型 | 第40-46页 |
| 2.5.1 识别关键弹幕的三要素 | 第40-43页 |
| 2.5.2 识别模型 | 第43-44页 |
| 2.5.3 实验分析 | 第44-46页 |
| 2.6 弹幕增长趋势模型 | 第46-59页 |
| 2.6.1 基于视频的增长趋势模型 | 第46-51页 |
| 2.6.2 基于视频片段的增长趋势模型 | 第51-59页 |
| 2.7 本章小结 | 第59-60页 |
| 第3章 多因子融合的视频流行度概率预测模型 | 第60-74页 |
| 3.1 引言 | 第60-61页 |
| 3.2 相关工作 | 第61-62页 |
| 3.3 数据介绍及分析 | 第62-64页 |
| 3.3.1 数据收集 | 第62-63页 |
| 3.3.2 数据量分布 | 第63-64页 |
| 3.4 多因子融合预测模型 | 第64-69页 |
| 3.4.1 多维度动态羊群效应 | 第65-66页 |
| 3.4.2 预测模型 | 第66-67页 |
| 3.4.3 参数学习 | 第67-69页 |
| 3.5 实验分析 | 第69-72页 |
| 3.5.1 对比方法 | 第70页 |
| 3.5.2 预测准确性分析 | 第70-71页 |
| 3.5.3 视频特征重要性分析 | 第71-72页 |
| 3.5.4 羊群效应分析 | 第72页 |
| 3.6 本章小结 | 第72-74页 |
| 第4章 针对大规模图像分类的深度混合模型 | 第74-88页 |
| 4.1 引言 | 第74-75页 |
| 4.2 相关工作 | 第75-76页 |
| 4.3 深度融合框架 | 第76-82页 |
| 4.3.1 任务自适应分配 | 第77-78页 |
| 4.3.2 基础神经网络学习 | 第78-81页 |
| 4.3.3 融合门网络 | 第81-82页 |
| 4.4 实验分析 | 第82-86页 |
| 4.4.1 数据集 | 第82-83页 |
| 4.4.2 对比方法 | 第83页 |
| 4.4.3 整体评估 | 第83-84页 |
| 4.4.4 AlexnetExt vs. DeepME | 第84-85页 |
| 4.4.5 难任务vs.简单任务 | 第85-86页 |
| 4.5 总结 | 第86-88页 |
| 第5章 总结与展望 | 第88-92页 |
| 5.1 工作总结 | 第88-90页 |
| 5.2 未来展望 | 第90-92页 |
| 参考文献 | 第92-101页 |
| 致谢 | 第101-107页 |
| 在读期间发表的学术论文与取得的研究成果 | 第107-108页 |