【摘要】：社交網(wǎng)絡(luò)是近幾年來(lái)興起的基于用戶關(guān)系的信息創(chuàng)造與傳播平臺(tái)。隨著移動(dòng)互聯(lián)網(wǎng)的蓬勃發(fā)展,社交網(wǎng)絡(luò)逐漸成為人們生活中不可或缺的一部分。用戶在微博等社交網(wǎng)絡(luò)平臺(tái)發(fā)表文本內(nèi)容的同時(shí),通常會(huì)借助圖像來(lái)對(duì)事件進(jìn)行補(bǔ)充描述。因此,對(duì)社交網(wǎng)絡(luò)多模態(tài)數(shù)據(jù)進(jìn)行深度特征提取,并通過(guò)多模態(tài)語(yǔ)義空間學(xué)習(xí)實(shí)現(xiàn)多模態(tài)數(shù)據(jù)的信息融合,對(duì)于提升主題發(fā)現(xiàn)和突發(fā)事件檢測(cè)的效果具有非常重要的意義。本文的主要工作包括以下幾個(gè)方面:(1)針對(duì)社交網(wǎng)絡(luò)文本數(shù)據(jù),提出了基于用戶互動(dòng)行為特征的短文本語(yǔ)義擴(kuò)展算法(UISSE),并利用深度去噪自編碼網(wǎng)絡(luò)對(duì)擴(kuò)展后的文本數(shù)據(jù)進(jìn)行深度特征提取;針對(duì)社交網(wǎng)絡(luò)圖像數(shù)據(jù),提出了利用空間金字塔池化層對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)的方法。實(shí)驗(yàn)結(jié)果表明,所提出的算法在分類實(shí)驗(yàn)中的準(zhǔn)確率、召回率和F-measure等指標(biāo)與對(duì)比算法相比均有所提升。(2)提出了社交網(wǎng)絡(luò)多模態(tài)深度量化算法(MDQS)。MDQS算法將文本數(shù)據(jù)和圖像數(shù)據(jù)的深度特征映射到連續(xù)的潛在語(yǔ)義空間中,并進(jìn)一步映射到離散的哈希語(yǔ)義空間中提高了檢索效率。實(shí)驗(yàn)結(jié)果表明,MDQS算法能夠有效地對(duì)社交網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行多模態(tài)語(yǔ)義空間的學(xué)習(xí),并且在同模態(tài)搜索和跨模態(tài)搜索實(shí)驗(yàn)中的實(shí)驗(yàn)結(jié)果均優(yōu)于對(duì)比算法。(3)提出了基于社交網(wǎng)絡(luò)多模態(tài)語(yǔ)義空間的話題檢測(cè)算法(MSSTD)。MSSTD算法對(duì)每個(gè)時(shí)間窗內(nèi)的社交網(wǎng)絡(luò)數(shù)據(jù)分別構(gòu)造文本圖和視覺(jué)圖,并根據(jù)語(yǔ)義相似度和時(shí)間誤差系數(shù)進(jìn)行多模態(tài)圖融合,最后通過(guò)話題恢復(fù)算法得到話題發(fā)現(xiàn)和突發(fā)事件檢測(cè)的結(jié)果。實(shí)驗(yàn)結(jié)果表明,MSSTD算法能夠有效地根據(jù)社交網(wǎng)絡(luò)跨媒體大數(shù)據(jù)進(jìn)行突發(fā)事件檢測(cè),并且所檢測(cè)到的話題質(zhì)量和話題突發(fā)度均優(yōu)于對(duì)比算法。(4)設(shè)計(jì)并實(shí)現(xiàn)了社交網(wǎng)絡(luò)多模態(tài)語(yǔ)義空間學(xué)習(xí)與國(guó)民安全突發(fā)事件檢測(cè)系統(tǒng)。系統(tǒng)包含數(shù)據(jù)采集、深度特征提取、突發(fā)事件檢測(cè)和系統(tǒng)展示四個(gè)模塊,有效地驗(yàn)證了本文所提出的一系列算法,并且具有一定的實(shí)用價(jià)值。
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.1
【圖文】：

逡逑圖３－８不同超參數(shù)（以，０）取值下的Ｆ－ｍｅａｓｕｒｅ值對(duì)比逡逑不同（ａ，灼取值下的Ｆ－ｍｅａｓｕｒｅ值如圖３－８所示，可以看到（＾，々）取值為逡逑２３逡逑

ｓｏｆｔｍａｘ分類器，并使用測(cè)試集驗(yàn)證分類結(jié)果。因?yàn)樗姆N模型所使用的分類器模逡逑型完全相同，所以分類效果可以代表深度特征提取的效果。四種不同模型所提取逡逑到的文本深度特征在ｓｏｆｔｍａｘ分類器下的實(shí)驗(yàn)結(jié)果對(duì)比如表３－２和圖３－９所示。逡逑表３－２不同算法提取的文本深度特征在ｓｏｆｔｍａｘ分類器下的分類效果對(duì)比逡逑邐算法名稱邐準(zhǔn)確率邋召回率邋Ｆ－ｍｅａｓｕｒｅ逡逑詞嵌入模型邐０．７５６邐０．８０８邐０．７９７逡逑ＵＩＳＳＥ＋詞嵌入模型邐０．８１１邐０．８２１邐０．８１６逡逑深度去噪自編碼網(wǎng)絡(luò)邐０．８４１邐０．７８４邐０．８１１逡逑ＵＩＳＳＥ＋深度去噪自編碼網(wǎng)絡(luò)邋０．８４３邐０．８５６邐０．８４９逡逑ｒ￣ｉ詞嵌入模型逡逑，ＭＵＩＳＳＥ＋詞嵌入模型逡逑＇邐ｍ深度去噪自編碼網(wǎng)絡(luò)逡逑■邐丨＿邋ＵＩＳＳＥ＋深凌去噪自編碼網(wǎng)絡(luò)逡逑＿逡逑準(zhǔn)確率邐召回率邐Ｆ－ｍｅａｓｕｒｅ逡逑評(píng)價(jià)指標(biāo)逡逑圖３－９不同算法提取的文本深度特征在ｓｏｆｔｍａｘ分類器下的分類效果對(duì)比逡逑表３－２和圖３－９所展示的分類實(shí)驗(yàn)結(jié)果對(duì)比中可以看出，利用ＵＩＳＳＥ算法進(jìn)逡逑行短文本語(yǔ)義擴(kuò)展的文本深度特征提取的模型相比于未進(jìn)行語(yǔ)義擴(kuò)展的模型，其逡逑２４逡逑

準(zhǔn)確率、召回率和Ｆ－ｍｅａｓｕｒｅ指標(biāo)值分別提升了邋２．９％、４．３％和３．０％，說(shuō)Ｅ算法能夠有效地解決社交網(wǎng)絡(luò)短文本數(shù)據(jù)存在的語(yǔ)義稀疏性、二義性等詞嵌入模型與深度去噪自編碼網(wǎng)絡(luò)的分類實(shí)驗(yàn)結(jié)果對(duì)比中可以看出，相嵌入模型，深度去噪自編碼網(wǎng)絡(luò)的分類準(zhǔn)確率、召回率和Ｆ－ｍｅａｓｕｒｅ分別２．１％、３．５％和３．３％，說(shuō)明深度去噪自編碼網(wǎng)絡(luò)更適用于社交網(wǎng)絡(luò)文本數(shù)特征提取。逡逑社交網(wǎng)絡(luò)圖像深度特征提取與表達(dá)實(shí)驗(yàn)逡逑了驗(yàn)證基于空間金字塔池化層對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)后，在絡(luò)圖像數(shù)據(jù)集上的深度特征提取效果，本節(jié)選取了邋Ａｌｅｘ－Ｎｅｔ、基于空間金層改進(jìn)的Ａｌｅｘ－Ｎｅｔ邋（Ａｌｅｘ－Ｎｅｔｗｉｔｈ邋ＳＰＰ）、ＶＧＧ－Ｎｅｔ、基于空間金字塔池的ＶＧＧ－Ｎｅｔ邋（ＶＧＧ－ＮｅｔｗｉｔｈＳＰＰ）四種網(wǎng)絡(luò)模型進(jìn)行社交網(wǎng)絡(luò)圖像深度取實(shí)驗(yàn)。首先利用社交網(wǎng)絡(luò)數(shù)據(jù)集中的分類標(biāo)簽對(duì)四種網(wǎng)絡(luò)模型進(jìn)行有監(jiān)，然后使用測(cè)試集驗(yàn)證分類效果。四種不同模型的分類實(shí)驗(yàn)結(jié)果對(duì)比如表３圖３－１０所示。逡逑表３－３不同算法提取的深度圖像特征分類效果對(duì)比逡逑

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張全;陸長(zhǎng)德;余隋懷;于明玖;;基于多維情感語(yǔ)義空間的色彩表征方法[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2006年02期

2 張海波;張春艷;商書(shū)元;張穎;;男T恤圖像情感語(yǔ)義空間研究[J];紡織科技進(jìn)展;2016年06期

3 蔡碧霞;論語(yǔ)料庫(kù)為基礎(chǔ)的潛在語(yǔ)義空間內(nèi)詞義的量化分析[J];西安外國(guó)語(yǔ)學(xué)院學(xué)報(bào);2005年03期

4 鄭帥;齊向明;;基于多維語(yǔ)義空間的垃圾短信過(guò)濾算法[J];自動(dòng)化技術(shù)與應(yīng)用;2018年07期

5 倪宇超;張志軍;;萊蒙托夫抒情詩(shī)語(yǔ)義空間中的“幸福”概念[J];綏化學(xué)院學(xué)報(bào);2009年02期

6 張德;王子瑋;張峰;;基于語(yǔ)義空間統(tǒng)一表征的視頻多模態(tài)內(nèi)容分析技術(shù)[J];電視技術(shù);2017年Z2期

7 楊曉航;張曉林;;語(yǔ)義空間系統(tǒng):語(yǔ)義Web技術(shù)的新應(yīng)用——基于語(yǔ)義整合Web資源與服務(wù)[J];數(shù)字圖書(shū)館論壇;2006年05期

8 楊山;楊雅婷;溫正陽(yáng);米成剛;;基于語(yǔ)義空間的抽取式單文檔摘要方法[J];廈門(mén)大學(xué)學(xué)報(bào)(自然科學(xué)版);2019年02期

9 劉云峰,齊歡,代建民;潛在語(yǔ)義分析在中文信息處理中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2005年03期

10 段紅偉;孟令奎;黃長(zhǎng)青;李穎;李繼園;;面向SPARQL查詢的地理語(yǔ)義空間索引構(gòu)建方法[J];測(cè)繪學(xué)報(bào);2014年02期

相關(guān)會(huì)議論文 前4條

1 任海平;李偉忠;姚誠(chéng)偉;;基于深度學(xué)習(xí)的智能寫(xiě)稿輔助服務(wù)設(shè)計(jì)[A];中國(guó)新聞技術(shù)工作者聯(lián)合會(huì)2017年學(xué)術(shù)年會(huì)論文集（學(xué)術(shù)論文篇）[C];2017年

2 陳浩彬;汪鳳炎;;基于智慧德才兼?zhèn)淅碚摰闹腔鄯诸愌芯縖A];第十五屆全國(guó)心理學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2012年

3 張海濤;張書(shū)亮;姜杰;顧燕;;基于EKR+的GML整體索引[A];第四屆海峽兩岸GIS發(fā)展研討會(huì)暨中國(guó)GIS協(xié)會(huì)第十屆年會(huì)論文集[C];2006年

4 喬百友;謝可心;王國(guó)仁;;TH-Ring:一種基于語(yǔ)義的結(jié)構(gòu)化P2P網(wǎng)絡(luò)[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

相關(guān)博士學(xué)位論文 前3條

1 蒲強(qiáng);基于獨(dú)立分量分析的語(yǔ)義聚類技術(shù)在信息檢索中的應(yīng)用研究[D];電子科技大學(xué);2010年

2 段紅偉;地理語(yǔ)義查詢關(guān)鍵技術(shù)研究[D];武漢大學(xué);2013年

3 林梓佳;圖像語(yǔ)義標(biāo)注方法研究[D];清華大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 李志堅(jiān);社交網(wǎng)絡(luò)多模態(tài)語(yǔ)義空間學(xué)習(xí)與國(guó)民安全突發(fā)事件檢測(cè)研究[D];北京郵電大學(xué);2019年

2 李虹磊;基于語(yǔ)義空間和神經(jīng)網(wǎng)絡(luò)的生物醫(yī)學(xué)事件抽取[D];大連理工大學(xué);2017年

3 陳磊;空間構(gòu)型對(duì)語(yǔ)篇連貫的解釋[D];東華大學(xué);2012年

4 畢臣;基于語(yǔ)段的潛在語(yǔ)義分析技術(shù)研究[D];沈陽(yáng)航空航天大學(xué);2014年

5 鄭偉;基于潛在語(yǔ)義索引的文本聚類技術(shù)研究[D];沈陽(yáng)航空工業(yè)學(xué)院;2009年

6 郭東波;基于偽文檔的潛在語(yǔ)義索引優(yōu)化技術(shù)的研究[D];沈陽(yáng)航空工業(yè)學(xué)院;2010年

7 周昊;個(gè)體 形象[D];中國(guó)美術(shù)學(xué)院;2015年

8 于霽月;基于產(chǎn)品語(yǔ)義學(xué)的服務(wù)機(jī)器人造型設(shè)計(jì)研究與應(yīng)用[D];沈陽(yáng)工業(yè)大學(xué);2017年

9 鮑光余;基于潛在語(yǔ)義分析的農(nóng)戶個(gè)性化推薦系統(tǒng)[D];海南大學(xué);2011年

10 杜昌;從原型構(gòu)式看詞類在句法結(jié)構(gòu)中的分布[D];上海師范大學(xué);2016年

本文編號(hào)：2790753