隨著移動互聯(lián)網(wǎng)和社交網(wǎng)絡(luò)的發(fā)展,人們的生活方式也在發(fā)生變化,許多社交網(wǎng)站(如Facebook,YouTube和微信)如雨后春筍般涌現(xiàn),導(dǎo)致出現(xiàn)各種社會事件的大量多媒體數(shù)據(jù)(如文字,圖片和視頻)。并且伴隨著互聯(lián)網(wǎng)上數(shù)據(jù)的積累和特征表示學(xué)習(xí)技術(shù)的進(jìn)步,從大規(guī)模知識庫中學(xué)到的知識嵌入也已被用于概率主題模型。本文的目標(biāo)是從大量無序的社交媒體數(shù)據(jù)中高效挖掘出事件主題,從而有利于用戶或政府對重大社會事件的搜索、瀏覽和監(jiān)控。然而,基于多模態(tài)信息學(xué)習(xí)可解釋的主題和判別性事件表示是非常具有挑戰(zhàn)性的。(1)本文首先提出了一種用于社會事件分析的基于知識的多模態(tài)加權(quán)主題模型(Knowledge-based Multi-modal Weighted Topic Model,KBMMWTM)。提出的KBMMWTM模型具有以下優(yōu)點(diǎn):1)提出的KBMMWTM模型可以有效地利用社會事件數(shù)據(jù)的多模態(tài)性;2)提出的KBMMWTM模型利用數(shù)據(jù)集中的詞相關(guān)性作為先驗(yàn)知識,可以提高事件主題挖掘的性能。最后,我們在真實(shí)數(shù)據(jù)集上評估了我們的KBMMWTM模型,完整的實(shí)驗(yàn)表明我們的模型優(yōu)于最先進(jìn)的模型。(2)緊接著本文又提出了一種用于...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 社會事件分析的發(fā)展及研究現(xiàn)狀
        1.2.1 多媒體社會事件分析國內(nèi)外研究現(xiàn)狀
        1.2.2 主題模型國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要內(nèi)容和組織結(jié)構(gòu)
        1.3.1 本文的主要內(nèi)容
        1.3.2 論文的組織結(jié)構(gòu)
第二章 社會事件分析理論基礎(chǔ)
    2.1 主題模型理論基礎(chǔ)
    2.2 潛在狄利克雷分配
        2.2.1 潛在狄利克雷分配的原理
        2.2.2 潛在狄利克雷分配的變種
    2.3 分類方法
        2.2.1 樸素貝葉斯(NB)
        2.2.2 K近鄰(KNN)
        2.2.3 支持向量機(jī)(SVM)
    2.4 小結(jié)
第三章 基于知識加權(quán)多模態(tài)主題模型的社會事件分析
    3.1 方法概述
    3.2 準(zhǔn)備工作
        3.2.1 數(shù)據(jù)集收集
        3.2.2 特征提取
    3.3 基于知識加權(quán)的多模態(tài)主題模型
    3.4 模型推斷
    3.5 實(shí)驗(yàn)結(jié)果
        3.5.1 定量分析
        3.5.2 定性分析
    3.6 小結(jié)
第四章 基于知識嵌入多模態(tài)主題模型的社會事件分析
    4.1 方法概述
    4.2 基于知識嵌入的多模態(tài)主題模型
        4.2.1 問題定義
        4.2.2 基于知識嵌入的多模態(tài)主題模型統(tǒng)一框架
    4.3 模型推斷
    4.4 多媒體社會事件分類
    4.5 實(shí)驗(yàn)結(jié)果
        4.5.1 定量分析
        4.5.2 參數(shù)分析
        4.5.3 定性分析
    4.6 小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動及成果情況



本文編號：3803326