| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 研究目标 | 第11-12页 |
| 1.2.1 多视图度量学习 | 第11-12页 |
| 1.2.2 研究意义 | 第12页 |
| 1.3 国内外研究进展 | 第12-14页 |
| 1.4 本文主要工作 | 第14-15页 |
| 1.5 文本组织结构 | 第15-16页 |
| 1.6 本章小结 | 第16-17页 |
| 第二章 相关技术介绍及算法模型 | 第17-31页 |
| 2.1 多模态数据 | 第17页 |
| 2.2 多视图度量学习算法 | 第17-26页 |
| 2.2.1 多视图学习算法 | 第17-22页 |
| 2.2.2 度量学习算法 | 第22-25页 |
| 2.2.3 多视图度量学习原理 | 第25-26页 |
| 2.3 DWH模型 | 第26-30页 |
| 2.3.1 DWH模型基础 | 第26-28页 |
| 2.3.2 自底向上构建的DWH模型 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于DWH模型的多视图度量学习 | 第31-46页 |
| 3.1 研究动机 | 第31页 |
| 3.2 基于DWH模型的多视图度量学习算法MVDML | 第31-37页 |
| 3.2.1 基于成对约束条件的模型构建 | 第31-32页 |
| 3.2.2 基于Hinge损失函数的模型优化 | 第32-34页 |
| 3.2.3 基于随机采样的模型初始化 | 第34-35页 |
| 3.2.4 针对多视图扩展的TWH模型 | 第35-37页 |
| 3.3 成对约束条件的生成与优化 | 第37-45页 |
| 3.3.1 利用Dask并行计算 | 第39-40页 |
| 3.3.2 利用Numba并行计算 | 第40-43页 |
| 3.3.3 利用Dask+Numba并行计算 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 实验与结果分析 | 第46-65页 |
| 4.1 数据集描述 | 第46-47页 |
| 4.2 数据预处理及可视化 | 第47-53页 |
| 4.2.1 用户视图数据提取 | 第48-49页 |
| 4.2.2 电影视图数据提取 | 第49-52页 |
| 4.2.3 影评视图数据提取 | 第52-53页 |
| 4.3 数据处理与转换 | 第53-55页 |
| 4.4 特征提取与特征选择 | 第55-59页 |
| 4.5 规范化特征 | 第59-60页 |
| 4.6 实验结果与分析 | 第60-64页 |
| 4.6.1 分类和检索 | 第60-63页 |
| 4.6.2 参数敏感性 | 第63页 |
| 4.6.3 计算效率 | 第63-64页 |
| 4.7 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 总结 | 第65页 |
| 未来工作展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |