【摘要】：社交網(wǎng)絡日益流行并且大量用戶持續(xù)活躍,社交網(wǎng)絡積累了大量用戶產(chǎn)生的數(shù)據(jù)。社交網(wǎng)絡中除了文本之外,還包括圖像等多種異構(gòu)媒體數(shù)據(jù)。微博因為文字數(shù)量限制,在用簡明扼要的文字說明之后,通常會借用一幅或者多幅圖像來對事件進行描述。因此解決文本圖像內(nèi)容不嚴格對應問題,對異構(gòu)模態(tài)數(shù)據(jù)進行分析與建模,實現(xiàn)語義一致性表達和異常檢測是非常必要的。本文完成的主要工作如下:(1)采用深度學習理論與算法以實現(xiàn)社交網(wǎng)絡圖像與文本深度特征的提取與表達。提出了一種基于深度卷積神經(jīng)網(wǎng)絡的社交網(wǎng)絡圖像自編碼算法(DCNNSE),提高了圖像編碼的有效性。在社交網(wǎng)絡數(shù)據(jù)集上,圖像自編碼算法使圖像搜索的準確度提升了 27.1%。提出了一種文本半監(jiān)督嵌入自動編碼算法(SEAC),在文本編碼具有文本語義的同時也加入了時空信息,相比Word2vec在搜索上的平均精確度與準確率上都有提升。(2)提出了一種處理社交網(wǎng)絡跨模態(tài)匹配問題的深度典型相關性分析融合回歸神經(jīng)網(wǎng)絡(DMRN),通過在回歸網(wǎng)絡的輸入之前執(zhí)行圖像和文本特征的非線性處理,再結(jié)合了深度典型相關性分析,在跨媒體搜索中圖像搜索文本和文本搜索圖像的召回率分別提升了12.6%和 11.8%。(3)提出了基于層次注意力加權的異常用戶檢測模型(LAWW),針對社交網(wǎng)絡言論較短、判斷異常用戶較難的問題,通過采用注意力機制與統(tǒng)計學特征對輸入加權,挖掘出了更有效的檢測特征,提出的LAWW算法在異常用戶檢測準確率達到了 73.32%。(4)設計和開發(fā)了社交網(wǎng)絡跨媒體國民安全事件語義學習與行為分析系統(tǒng)。提供深度神經(jīng)網(wǎng)絡模型參數(shù)設置功能。通過對輸入數(shù)據(jù)進行學習,提取出社交網(wǎng)絡跨媒體數(shù)據(jù)的深度特征。實現(xiàn)了跨媒體多模態(tài)的語義空間映射、跨媒體多模態(tài)的搜索、跨媒體多模態(tài)用戶行為分析等功能。系統(tǒng)功能全面,并實現(xiàn)了友好的用戶交互界面。本文實現(xiàn)了社交網(wǎng)絡跨媒體深度特征提取,提出了社交網(wǎng)絡跨媒體語義空間的映射與表示,針對社交網(wǎng)絡異常用戶進行了檢測,開發(fā)了社交網(wǎng)絡跨媒體國民安全事件語義學習與行為分析系統(tǒng),并對系統(tǒng)進行了測試與驗證。
【圖文】：

邐６４位逡逑□邋ＤＡ邋ＢＡＥＶＢ邋□邋ＤＣＮＮＳＥ－１邋□邋ＤＣＮＮＳＥ－２逡逑圖３－３不同算法在社交網(wǎng)絡圖像上的準確率指標柱狀圖逡逑從平均準確度量化指標上看，可以參見表３－３和圖３４所示的不同算法的客逡逑觀評價指標值。逡逑由表３－３和圖３４可知，對于平均準確率，ＤＣＮＮＳＥ－２算法相比于其他三個逡逑算法指標值分別平均提升了邋１１．９％、２５．１％和２４．７％。通過圖３Ｍ可以得出與準確逡逑率指標相似的結(jié)論，ＤＣＮＮＳＥ－２對比ＤＣＮＮＳＥ－１算法依然在編碼長度較低的時逡逑候提升較為明顯，ＤＡ和ＤＣＮＮＳＥ－２在編碼長度不同時較為穩(wěn)定，ＡＥＶＢ和逡逑ＤＣＮＮＳＥ－１在不同編碼長度指標會出現(xiàn)大幅度的波動�？梢钥吹皆谒惴蚀_率接逡逑近的情況下，ＤＣＮＮＳＥ－２具有更高的ＭＡＰ值，說明本節(jié)提出的算法以事件為中逡逑心的編碼方式增大了圖像的區(qū)分度，對搜索結(jié)果靠前的圖像的相關性有更大的置逡逑信度。逡逑邐表３－３不同算法在社交網(wǎng)絡圖像上的平均準確度指標對比邐逡逑ＭＡＰ＠５邐１６邋位邐３２邋位邐６４邋位逡逑ＤＡ邐０．１８０邐０．２０２邐０．２１８逡逑ＡＥＶＢ邐０．２００邐０．１７６邐０．１６２逡逑

１０和２０個搜索結(jié)果的準確率和平均準確率來評價本節(jié)的算法。逡逑將四種算法在社交網(wǎng)絡文本上的實驗結(jié)果對比如下：首先，關于準確率指標，逡逑本節(jié)可以參見表３４和圖３－７所示的不同算法的客觀評價指標值。逡逑邐表３－４不同算法在社交網(wǎng)絡文本上的搜索準確度指標對比邐逡逑Ｐｒｅｃｉｓｉｏｎ邐Ｔｏｐ５邐ＴｏｐｌＯ邐Ｔｏｐ２０逡逑ＳＥＡＣ邐０．７８２邐０．７６７邐０．７５逡逑Ｗｏｒｄ２Ｖｅｃ邐０．７６邐０．７３９邐０．７１８５逡逑ＬＤＡ邐０．６４２邐０．６０７邐０．５７９５逡逑ＢＯＷ邐０．６７２邐０．６０６邐０．５９６逡逑Ｐｒｅｃｉｓｉｏｎ逡逑０－８邋，逡逑＝＿邐■媝｜邐ｇ邐＿＿邐＿逡逑“ＮＵＮＮ逡逑；ｙ邐W 邋ｉｉ邐■邐ｉｉ邐W 逡逑Ｔｏｐ５邐ＴｏｐｌＯ邐Ｔｏｐ２０逡逑ＳＥＡＣ邋Ｗｏｒｄ２Ｖｅｃ邋Ｈ邋ＬＤＡ邋＝巳ＯＷ逡逑圖３－７不同算法在社交網(wǎng)絡文本上的搜索準確率指標柱狀圖逡逑由表３４和圖３－７可知，不同算法在搜索隊列長度增長時準確度都會下降，，逡逑但是ＳＥＡＣ和Ｗｏｒｄｌｖｅｃ下降的幅度明顯較小。在搜索結(jié)果靠前的隊列結(jié)果中逡逑ＳＥＡＣ始終保持最高的準確率，不同的搜索隊列長度上搜索準確度相比Ｗｏｒｄ２Ｖｅｃ、逡逑ＬＤＡ、ＢＯＷ邋分別提升了邋３．８％、２６．２％和邋２２．９°／。。逡逑從平均準確度量化指標上看
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP391.41;TP181

【參考文獻】

相關期刊論文 前3條

1 吳稟雅;魏苗;;從深度學習回顧自然語言處理詞嵌入方法[J];電腦知識與技術;2016年36期

2 謝錦;蔡自興;;一種基于Local Jet 結(jié)構(gòu)的全局圖像特征構(gòu)造方法（英文）[J];自動化學報;2014年06期

3 陸悠;李偉;羅軍舟;蔣健;夏怒;;一種基于選擇性協(xié)同學習的網(wǎng)絡用戶異常行為檢測方法[J];計算機學報;2014年01期

相關博士學位論文 前2條

1 馮方向;基于深度學習的跨模態(tài)檢索研究[D];北京郵電大學;2015年

2 王智愚;社會化多媒體內(nèi)容分析與摘要[D];清華大學;2013年

相關碩士學位論文 前2條

1 臧虎;基于深層網(wǎng)絡的多模態(tài)特征融合問題的研究與應用[D];北京郵電大學;2015年

2 薛曉冬;網(wǎng)絡行為特征模型及在個性化服務中的應用[D];華南理工大學;2013年

本文編號：2702722