以微博為代表的社交網(wǎng)絡(luò)蘊(yùn)藏著大量有價值的國民安全事件輿情信息,這些信息存在于社交網(wǎng)絡(luò)的文本、圖像以及網(wǎng)絡(luò)用戶等數(shù)據(jù)中。海量跨媒體信息的出現(xiàn)對傳統(tǒng)的搜索方法提出了挑戰(zhàn)。近年來興起的深度神經(jīng)網(wǎng)絡(luò)方法為跨媒體語義信息的提取與理解提供了新的解決方案。為了高效查找社交網(wǎng)絡(luò)國民安全跨媒體數(shù)據(jù)包含的有價值信息,本文實(shí)現(xiàn)了海量數(shù)據(jù)的實(shí)時采集和搜索系統(tǒng),從圖像特征、文本特征、用戶特征三個方面采用深度學(xué)習(xí)方法對社交網(wǎng)絡(luò)國民安全跨媒體數(shù)據(jù)進(jìn)行分析,實(shí)現(xiàn)精準(zhǔn)和高效的搜索。本文完成的主要工作如下:(1)提出了社交網(wǎng)絡(luò)跨媒體信息的實(shí)時采集與基于深度學(xué)習(xí)的特征提取算法,實(shí)現(xiàn)了社交網(wǎng)絡(luò)跨媒體信息的語義特征提取。對社交網(wǎng)絡(luò)跨媒體信息進(jìn)行實(shí)時采集,并采用深度學(xué)習(xí)方法提取社交網(wǎng)絡(luò)圖像和文本信息中的語義信息,進(jìn)行社交網(wǎng)絡(luò)跨媒體信息處理。(2)提出了社交網(wǎng)絡(luò)國民安全事件信息過濾算法,實(shí)現(xiàn)了對社交網(wǎng)絡(luò)圖像和文本無關(guān)信息的有效過濾。從微博的用戶特征及內(nèi)容特征的顯式特征和隱含特征入手,構(gòu)建特征向量,通過對文本和圖像信息的綜合分析,結(jié)合深度學(xué)習(xí)方法,實(shí)現(xiàn)了有效識別過濾無關(guān)信息。通過微博國民安全事件數(shù)據(jù)集上的文本分類實(shí)驗,可以看出所提算法在中毒事件數(shù)據(jù)集和爆炸事件數(shù)據(jù)集上的準(zhǔn)確率、召回率和F1值均有提局。(3)提出了社交網(wǎng)絡(luò)跨媒體語義擴(kuò)充搜索算法,實(shí)現(xiàn)了社交網(wǎng)絡(luò)跨媒體信息的精準(zhǔn)搜索。利用詞嵌入來建模單詞相似性表示獲取的語義。使用神經(jīng)語言模型學(xué)習(xí)微博文本內(nèi)部的詞語關(guān)聯(lián)關(guān)系,挖掘微博的潛在語義信息。充分利用圖像信息及跨媒體信息的共現(xiàn)關(guān)系,訓(xùn)練圖像到文本的語義映射。通過平滑逆頻率加權(quán)的方法,提取微博內(nèi)容向量。在微博國民安全事件數(shù)據(jù)集上的跨媒體語義擴(kuò)充實(shí)驗及搜索實(shí)驗驗證了所提算法在多個數(shù)據(jù)集上的MAP、NDCG指標(biāo)均優(yōu)于對比算法。(4)結(jié)合以上三個方面的研究內(nèi)容,設(shè)計并實(shí)現(xiàn)了基于深度學(xué)習(xí)的跨媒體大數(shù)據(jù)搜索系統(tǒng)。系統(tǒng)共分為三個功能模塊:社交網(wǎng)絡(luò)跨媒體信息實(shí)時采集模塊、國民安全事件跨媒體特征提取與搜索模塊、社交網(wǎng)絡(luò)內(nèi)容及用戶特征分析模塊。
【學(xué)位單位】：北京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.3;TP183
【部分圖文】：

ＬＳＴＭ是循環(huán)祌經(jīng)網(wǎng)絡(luò)的一個特例，使用獨(dú)特的設(shè)計來克服循環(huán)神經(jīng)網(wǎng)的梯度消失問題，使之能記住更為長期的語義信息。ＬＳＴＭ單元結(jié)構(gòu)如圖２－示，與傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)相比區(qū)別在于通過記憶單元來控制長期記憶和短期??行為。此外新增三個控制單元輸入門（ｉ叩ｕｔｇａｔｅ），如式（２－１?），輸出門（ｏｕｔｐｕｔ），如式（２－２）和遺忘門（ｆｏｒｇｅｔ?ｇａｔｅ），如式（２－３）來控制信息的變換與消??門是一種讓信息選擇式通過的方法，包含一個ｓｉｇｍｏｉｄ層和一個逐位乘法操??／（／）?＝?ｃｒ（＾ｘ（／）?＋?＾（／－ｌ）?＋?＾ｃ（ｒ－ｌ）?＋?／），）?（２－１）??〇（ｔ）－ｃｒ（Ｗｘｏｘ（ｔ）?＋?Ｗｈｏｈ（ｔ－＼）?＋?Ｗｃｏｃ（ｔ）?＋?ｂ０）?（２－２）??／（／）?＝?＾Ｋ４／）?＋?Ｖ（／－＇）?＋?＾／ｃ（／－１）?＋?ｆｔ／）?（２－３）??

據(jù)預(yù)先配置的ＤＯＭ區(qū)塊規(guī)則解析區(qū)塊內(nèi)每一個詳情頁的鏈接地址，在詳情頁中??根據(jù)需要對頁面進(jìn)行瀏覽器渲染，然后根據(jù)預(yù)先定義的規(guī)則對特定ＤＯＭ元素中??的內(nèi)容進(jìn)行采集。與之對應(yīng)的，設(shè)計了相應(yīng)的采集流程和架構(gòu)，如圖３－２所示。??ｒ?－?次采集＾＾＞???－＾???Ｉ???Ｉ???根據(jù)翻頁規(guī)則??采集全部內(nèi)容?Ａ＃?Ａ?＾１??渲染頁面ｊｓ????????Ｉ???ｆ?數(shù)據(jù)庫???提取內(nèi)容??＼�。�??Ｉ—５?１—是——??１?——??結(jié)束?ｊ?等待時間到?－??圖３－２采集節(jié)點(diǎn)流程??如圖３－３，整個采集系統(tǒng)分為以下幾個部分：調(diào)度器、列表頁解析器、詳情??頁解析器、消息隊列去重器和持久化組件。調(diào)度器負(fù)責(zé)啟動不同節(jié)點(diǎn)的解析器、??去重和持久化，將采集配置內(nèi)容傳遞給解析器，列表頁解析器根據(jù)配置內(nèi)容中的??起始ＵＲＬ對頁面列表進(jìn)行采集，將獲得的詳情頁ＵＲＬ放入待去重隊列，去重器??檢查待去重隊列中的ＵＲＬ是否已經(jīng)被抓取，如果尚未被抓取則加入詳情頁隊列，??詳情頁解析器從詳情頁隊列中取得ＵＲＬ后根據(jù)采集規(guī)則對頁面進(jìn)行渲染，并對??特定字段進(jìn)行定向獲取，將提取到的結(jié)構(gòu)化數(shù)據(jù)加入持久化隊列。持久化組件從??持久化隊列中獲取結(jié)構(gòu)化數(shù)據(jù)并保存到文檔數(shù)據(jù)庫�？梢钥吹�，消息隊列是系統(tǒng)??的中樞部分

ＣＳＥＷＥ＋ＬＤＡ?２．０６５?１．８７０?２．０８６?１．９７９?２．１２０?１．９４８??ＣＳＥＷＥ＋ＢＴＭ?２．１２５?２．１１７?２．１９９?２．１２３?２．１８１?２．１７６??在表５－２和圖５－３中，ＴｏｐｌＯ和Ｔｏｐ２０指的是主題中排在前面的詞數(shù)。在表??５－２中ＢＴＭ通過引入專門為短文本設(shè)計的文本的雙詞模型表示來提高主題質(zhì)量，??因此比ＬＤＡ表現(xiàn)更好。經(jīng)過ＣＳＥＷＥ擴(kuò)充的聚類效果優(yōu)于兩種方法。這是因為??該方法使用了微博圖像和文本的語義�？缒B(tài)信息的全面性有助于實(shí)現(xiàn)微博語義??的提取。當(dāng)主題數(shù)量增加時，ＬＤＡ的語義稀疏性將更加明顯，并且生成的主題??的質(zhì)量將更差。在擴(kuò)展語料庫之后，主題的質(zhì)量得到提高，尤其是當(dāng)主題數(shù)較大??時。ＣＳＥＷＥ擴(kuò)充方法可以提高兩個主題模型的主題質(zhì)量。?？??使用ＣＳＥＷＥ方法對擴(kuò)展的微博文本進(jìn)行了微博內(nèi)容搜索實(shí)驗，并將結(jié)果與??ＷＭＤ、ＢＴＭ和ＢＭ２５算法進(jìn)行了比較。使用ＭＡＰ和ＮＤＣＧ指標(biāo)評估搜索效??果。實(shí)驗結(jié)果如表５－２和圖５－４所示。????表?５－３?ＣＳＥＷＥ?的?ｔｏｐ＠Ｎ?ＭＡＰ?和?ＮＤＣＧ?搜索結(jié)果???評價指標(biāo)?ＭＡＰ?ＮＤＣＧ??算法?＠１０?＠２０?＠３０?＠５０?＠１０?＠２０?＠３０?＠５０??ＢＴＭ?０．５９０?
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王超瓊;陳玥;;原生廣告在利基社交網(wǎng)絡(luò)中的傳播策略探析[J];現(xiàn)代營銷(信息版);2019年08期

2 張艷菊;楊明;;社交網(wǎng)絡(luò)時代下的企業(yè)營銷模式淺析[J];現(xiàn)代經(jīng)濟(jì)信息;2019年13期

3 陳健;周麗華;;大學(xué)生社交網(wǎng)絡(luò)自我表露的實(shí)證研究[J];高校輔導(dǎo)員學(xué)刊;2018年06期

4 譚洪旭;袁帥;代連奇;任利峰;;淺談社交網(wǎng)絡(luò)對當(dāng)代大學(xué)生的影響[J];產(chǎn)業(yè)與科技論壇;2018年24期

5 孫夏卿;;社交網(wǎng)絡(luò)媒體對大學(xué)生賦權(quán)的價值體現(xiàn)[J];傳播力研究;2018年31期

6 張曉飛;;以社交網(wǎng)絡(luò)為基礎(chǔ)的企業(yè)營銷策略[J];商場現(xiàn)代化;2018年22期

7 孫國強(qiáng);竇倩倩;張寶建;;西方社交網(wǎng)絡(luò)研究進(jìn)展與未來展望[J];情報科學(xué);2019年02期

8 陳文泰;李衛(wèi)東;;國際社交網(wǎng)絡(luò)中“國家實(shí)在”傳播與國家形象演化機(jī)制研究[J];新聞大學(xué);2018年06期

9 孫晉;沈紅;;社交網(wǎng)絡(luò)群體性迷失現(xiàn)象分析[J];電腦知識與技術(shù);2019年12期

10 鄧華闖;項祎麟;周楠;周子清;;社交網(wǎng)絡(luò)招聘有效性影響因素研究[J];中小企業(yè)管理與科技(上旬刊);2019年04期

相關(guān)博士學(xué)位論文 前10條

1 劉曉君;基于在線社交網(wǎng)絡(luò)的口碑信息傳播模型研究[D];大連理工大學(xué);2018年

2 杜雨露;活動社交網(wǎng)絡(luò)中上下文感知的群組推薦方法研究[D];北京郵電大學(xué);2019年

3 寇菲菲;基于語義學(xué)習(xí)與時空特性的在線社交網(wǎng)絡(luò)跨媒體搜索研究[D];北京郵電大學(xué);2019年

4 李曉;在線社交網(wǎng)絡(luò)中的影響力分析及應(yīng)用研究[D];北京郵電大學(xué);2019年

5 朱添田;基于數(shù)據(jù)驅(qū)動的移動互聯(lián)網(wǎng)異常用戶行為檢測方法及其應(yīng)用研究[D];浙江大學(xué);2019年

6 王健;突發(fā)公共事件背景下在線社交網(wǎng)絡(luò)信息擴(kuò)散及治理研究[D];南京師范大學(xué);2018年

7 唐興;線上社交網(wǎng)絡(luò)中用戶個體行為挖掘方法研究[D];西安電子科技大學(xué);2016年

8 陳偉;社交網(wǎng)絡(luò)與時空數(shù)據(jù)連接的關(guān)鍵技術(shù)及應(yīng)用研究[D];蘇州大學(xué);2018年

9 侯瑞琪;社交網(wǎng)絡(luò)情形下線上零售商的服務(wù)投資優(yōu)化研究[D];中國科學(xué)技術(shù)大學(xué);2018年

10 聶原平;面向社交網(wǎng)絡(luò)的文本分析關(guān)鍵技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 周玉江;謠言在社交網(wǎng)絡(luò)上的傳播與控制策略研究[D];深圳大學(xué);2018年

2 鄭赫慈;網(wǎng)絡(luò)空間中人格分析的研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

3 毛雨;基于社交網(wǎng)絡(luò)的用戶人格分析研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

4 石巖松;基于深度學(xué)習(xí)的社交網(wǎng)絡(luò)跨媒體大數(shù)據(jù)搜索研究[D];北京郵電大學(xué);2019年

5 翁羽軒;學(xué)術(shù)社交網(wǎng)絡(luò)多媒體數(shù)據(jù)加密方案的設(shè)計與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

6 薛航;基于內(nèi)容和社交網(wǎng)絡(luò)的文本推薦系統(tǒng)的研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

7 汪溯;基于社交網(wǎng)絡(luò)情感分析的股價實(shí)時預(yù)測系統(tǒng)的設(shè)計與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

8 孫陳娜;在線社交網(wǎng)絡(luò)中社交廣告投放算法研究[D];北京郵電大學(xué);2019年

9 李智;面向社交網(wǎng)絡(luò)的熱點(diǎn)商品導(dǎo)購算法研究[D];北京郵電大學(xué);2019年

10 張克迪;基于文本分析的企業(yè)社交網(wǎng)絡(luò)員工互動方式探索[D];北京郵電大學(xué);2019年

本文編號：2879413