基于社交图片的用户上下文信息感知算法研究与实现
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 图像的场景分类 | 第11-12页 |
| 1.2.2 社交图像的标签 | 第12-13页 |
| 1.2.3 用户的上下文信息研究 | 第13页 |
| 1.2.4 社交图片中的用户上下文 | 第13-14页 |
| 1.3 论文的研究内容 | 第14-15页 |
| 1.4 本文的层次结构安排 | 第15-16页 |
| 第二章 相关技术背景及算法 | 第16-30页 |
| 2.1 相关机器学习算法 | 第16-26页 |
| 2.1.1 逻辑回归分类 | 第16-18页 |
| 2.1.2 支持向量机 | 第18-20页 |
| 2.1.3 决策分类树 | 第20-22页 |
| 2.1.4 梯度提升决策树 | 第22-25页 |
| 2.1.5 随机森林 | 第25页 |
| 2.1.6 K-Means聚类 | 第25-26页 |
| 2.2 图像特征提取 | 第26-29页 |
| 2.2.1 纹理特征 | 第26页 |
| 2.2.2 灰度特征 | 第26-27页 |
| 2.2.3 颜色特征 | 第27页 |
| 2.2.4 SIFT特征 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 问题定义与数据预处理 | 第30-46页 |
| 3.1 研究问题定义 | 第30-33页 |
| 3.2 数据收集 | 第33-37页 |
| 3.2.1 微信数据收集 | 第33-34页 |
| 3.2.2 新浪微博数据收集 | 第34-37页 |
| 3.3 数据预处理 | 第37-42页 |
| 3.3.1 用户上下文信息构建 | 第37-40页 |
| 3.3.2 图像特征预处理 | 第40-42页 |
| 3.4 图像与用户上下文关系研究 | 第42-45页 |
| 3.4.1 图像特征与性别分析 | 第42-44页 |
| 3.4.2 图像特征与相对位置分析 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 用户上下文预测模型 | 第46-59页 |
| 4.1 用户上下文信息预测方案 | 第46-50页 |
| 4.1.1 方案流程 | 第47-48页 |
| 4.1.2 评价指标 | 第48-50页 |
| 4.2 基于图像底层特征的模型 | 第50-52页 |
| 4.2.1 用户上下文信息传递 | 第50-51页 |
| 4.2.2 图像特征融合 | 第51-52页 |
| 4.2.3 预测模型 | 第52页 |
| 4.3 基于用户特征学习的模型 | 第52-56页 |
| 4.3.1 视觉词袋模型 | 第53页 |
| 4.3.2 用户特征学习 | 第53-54页 |
| 4.3.3 预测模型 | 第54-56页 |
| 4.4 模型优化 | 第56-58页 |
| 4.4.1 融合用户相关信息 | 第56-57页 |
| 4.4.2 交叉验证 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 实验结果分析 | 第59-72页 |
| 5.1 实验数据集 | 第59-61页 |
| 5.1.1 微信数据集 | 第59-60页 |
| 5.1.2 微博数据集 | 第60-61页 |
| 5.2 实验环境 | 第61-62页 |
| 5.3 相关参数设定 | 第62-63页 |
| 5.4 预测结果分析 | 第63-71页 |
| 5.4.1 微信数据预测结果 | 第63-65页 |
| 5.4.2 微博数据预测结果 | 第65-71页 |
| 5.4.3 结果分析 | 第71页 |
| 5.5 本章小结 | 第71-72页 |
| 第六章 结束语 | 第72-74页 |
| 6.1 全文总结 | 第72-73页 |
| 6.2 不足与展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻硕期间取得的研究成果 | 第79-80页 |
