基于马尔可夫优化的深度双向LSTM视频流行度预测方法研究

目录

声明

致谢

第一章绪论

1.1 课题来源

1.3 国内外研究现状

1.4 研究内容

1.5 本文组织结构

第二章相关工作理论基础

2.1 线性回归

2.1.1 简单线性回归

2.1.2 多元线性回归

2.1.3 优缺点分析

2.2 时间序列分析

2.2.1 指数平滑

2.2.2 自回归移动平均

2.2.3 优缺点分析

2.3 灰色理论

2.3.1 全信息GM

2.3.2 新陈代谢GM

2.3.3 优缺点分析

2.4 神经网络相关理论

2.4.1全连接神经网络

2.4.2 RNN神经网络

2.4.3长短期记忆神经网络

2.4.4 优缺点分析

2.5 马尔可夫过程

2.5.1 马尔可夫过程相关概念

2.5.2 马尔可夫模型训练过程

2.6 本章小结

第三章 融合特征分析的深度LSTM视频流行度预测算法

3.1 传统视频流行度预测算法的不足与改进方法

3.2 数据收集与视频流行度

3.2.1 基于Scrapy技术的数据收集

3.2.2 视频流行度特征分析

3.3.1 深度RNN网络结构

3.3.2 深度LSTM网络模型构建

3.4.1 问题定义

3.4.2 D-LSTM流行度预测算法

3.5.1 实验环境

3.5.2 评价指标

3.5.3 网络参数设置

3.5.4 实验设计及结果分析

3.6 本章小结

第四章马尔可夫优化的深度双向LSTM视频流行度预测算法(Mar-DBiLSTM)

4.1 D-LSTM算法的不足与改进方法

4.2 深度双向LSTM网络模型(DBiLSTM)

4.2.1 双向RNN网络结构

4.2.2 深度双向RNN网络结构

4.2.3 深度双向LSTM模型构建

4.3 DBiLSTM的马尔可夫优化

4.3.1 马尔可夫优化理论

4.3.2 DBiLSTM的马尔可夫优化

4.4.1 问题定义

4.4.2 Mar-DBiLSTM流行度预测算法

4.5.1 实验环境

4.5.2 评价指标

4.5.3 网络参数设置

4.5.4 实验设计及结果分析

4.6 电视剧排名预测

4.7 本章小结

第五章总结与展望

5.1 论文总结

5.2 研究展望

参考文献

攻读硕士学位期间的学术活动及成果情况