近年來(lái),隨著移動(dòng)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)等計(jì)算機(jī)信息技術(shù)和應(yīng)用的快速發(fā)展,各種互聯(lián)網(wǎng)媒體中數(shù)以億計(jì)的用戶無(wú)時(shí)無(wú)刻地在產(chǎn)生各種交互行為數(shù)據(jù),數(shù)據(jù)量巨大、格式多樣。本文圍繞用戶生成的交互行為數(shù)據(jù),綜合分析用戶的行為,開展其中的典型關(guān)鍵性問(wèn)題研究,包括點(diǎn)擊流行為、文本內(nèi)容、圖像識(shí)別和視頻動(dòng)作識(shí)別等。研究成果概述如下:（1）針對(duì)用戶的點(diǎn)擊流行為分別提出基于點(diǎn)擊流和基于自定義事件的兩層模型聚類算法。首先,設(shè)計(jì)通用的方法來(lái)計(jì)算會(huì)話的相似度;接著,利用改進(jìn)的DBSCAN算法在第一層聚類中獲取會(huì)話聚類;最后,在第二層聚類中利用K-means算法,根據(jù)每一個(gè)用戶在不同會(huì)話聚類中產(chǎn)生的所有會(huì)話的分布對(duì)用戶進(jìn)行聚類。（2）針對(duì)用戶行為分析中的文本識(shí)別問(wèn)題,結(jié)合輔助句子提出一種基于BERT的改進(jìn)文本分類模型,通過(guò)構(gòu)造輔助句子的方式將訓(xùn)練數(shù)據(jù)中的知識(shí)更好地引入到BERT模型的微調(diào)中,同時(shí)針對(duì)學(xué)習(xí)率、句子長(zhǎng)度和模型結(jié)構(gòu)等方面對(duì)BERT模型上的一些不同微調(diào)策略進(jìn)行對(duì)比分析。（3）針對(duì)用戶行為分析中的圖像識(shí)別問(wèn)題,重點(diǎn)以衣物復(fù)雜圖片作為目標(biāo)研究對(duì)象,利用逆卷積上采樣特征圖的方法,解決了衣物關(guān)鍵點(diǎn)預(yù)測(cè)的熱力圖分辨率過(guò)低的問(wèn)題,并... 

【文章來(lái)源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：120 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

存在的問(wèn)題及對(duì)應(yīng)的研究?jī)?nèi)容具體來(lái)說(shuō)，主要的研究?jī)?nèi)容包括：（1）針對(duì)用戶的點(diǎn)擊流行為分析問(wèn)題，分別提出基于點(diǎn)擊流和基于自定義事

華南理工大學(xué)博士學(xué)位論文22圖2-3CNN基礎(chǔ)架構(gòu)圖2-3顯示了一個(gè)CNN的基礎(chǔ)架構(gòu)，主要包括兩個(gè)部分：特征提取器和分類器。在特征提取層中，網(wǎng)絡(luò)的每一層都將其上一層的輸出作為輸入，并將其輸出作為輸入傳遞到下一層。特征提取器往往處于網(wǎng)絡(luò)的低層和中層，包含了兩種類型的層：卷積層和池化層。首先，卷積層的層用線性濾波器計(jì)算其輸入的卷積（很久以前就有人建議用線性濾波器來(lái)模擬視覺(jué)皮層中的神經(jīng)反應(yīng)）。每個(gè)卷積核的系數(shù)的學(xué)習(xí)方法與神經(jīng)網(wǎng)絡(luò)中的權(quán)值相同。通常，在卷積之后，非線性（激活）函數(shù)應(yīng)用于卷積結(jié)果的每個(gè)元素。因此，卷積層可被視為標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)中神經(jīng)元共享權(quán)重的層，定義為：11()illllF=fX=W×X（2-16）卷積層的輸出稱為特征圖。卷積層的輸入可以是前一層的輸入圖像或輸出，即另一個(gè)特征映射。卷積層中的特定類型的權(quán)重共享不僅降低了自由度，而且確保了平移的不變性。卷積層之后是池化層，池化層計(jì)算特征圖一個(gè)區(qū)域上的最大值或平均值，如圖2-4和2-5所示。圖2-4池化操作圖2-5池化層：相當(dāng)于降采樣

池化操作

【參考文獻(xiàn)】：
期刊論文
[1]基于多特征融合的多尺度服裝圖像精準(zhǔn)化檢索[J]. 王志偉,普?qǐng)@媛,王鑫,趙征鵬,徐丹,錢文華.  計(jì)算機(jī)學(xué)報(bào). 2020(04)
[2]面向自然語(yǔ)言處理的預(yù)訓(xùn)練技術(shù)研究綜述[J]. 李舟軍,范宇,吳賢杰.  計(jì)算機(jī)科學(xué). 2020(03)
[3]基于自回歸預(yù)測(cè)模型的深度注意力強(qiáng)化學(xué)習(xí)方法[J]. 梁星星,馮旸赫,黃金才,王琦,馬揚(yáng),劉忠.  軟件學(xué)報(bào). 2020(04)
[4]基于時(shí)空關(guān)注度LSTM的行為識(shí)別[J]. 謝昭,周義,吳克偉,張順然.  計(jì)算機(jī)學(xué)報(bào). 2021(02)
[5]基于雙深度網(wǎng)絡(luò)的安全深度強(qiáng)化學(xué)習(xí)方法[J]. 朱斐,吳文,伏玉琛,劉全.  計(jì)算機(jī)學(xué)報(bào). 2019(08)
[6]用戶序列行為分析研究與應(yīng)用綜述[J]. 陳恩紅,陳玉瑩,潘鎮(zhèn),李徵.  安徽大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[7]采用詞向量注意力機(jī)制的雙路卷積神經(jīng)網(wǎng)絡(luò)句子分類模型[J]. 郭寶震,左萬(wàn)利,王英.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2018(09)
[8]基于稀疏自學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的句子分類模型[J]. 高云龍,左萬(wàn)利,王英,王鑫.  計(jì)算機(jī)研究與發(fā)展. 2018(01)
[9]ESSK:一種計(jì)算點(diǎn)擊流相似度的新方法[J]. 劉嘉,祁奇,陳振宇,惠成峰.  計(jì)算機(jī)科學(xué). 2012(06)



本文編號(hào)：3594182