【摘要】：社交網(wǎng)絡(luò)日益流行并且大量用戶持續(xù)活躍,社交網(wǎng)絡(luò)積累了大量用戶產(chǎn)生的數(shù)據(jù)。社交網(wǎng)絡(luò)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?yàn)槲淖謹(jǐn)?shù)量限制,在用簡(jiǎn)明扼要的文字說(shuō)明之后,通常會(huì)借用一幅或者多幅圖像來(lái)對(duì)事件進(jìn)行描述。因此解決文本圖像內(nèi)容不嚴(yán)格對(duì)應(yīng)問(wèn)題,對(duì)異構(gòu)模態(tài)數(shù)據(jù)進(jìn)行分析與建模,實(shí)現(xiàn)語(yǔ)義一致性表達(dá)和異常檢測(cè)是非常必要的。本文完成的主要工作如下:(1)采用深度學(xué)習(xí)理論與算法以實(shí)現(xiàn)社交網(wǎng)絡(luò)圖像與文本深度特征的提取與表達(dá)。提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的社交網(wǎng)絡(luò)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(luò)數(shù)據(jù)集上,圖像自編碼算法使圖像搜索的準(zhǔn)確度提升了 27.1%。提出了一種文本半監(jiān)督嵌入自動(dòng)編碼算法(SEAC),在文本編碼具有文本語(yǔ)義的同時(shí)也加入了時(shí)空信息,相比Word2vec在搜索上的平均精確度與準(zhǔn)確率上都有提升。(2)提出了一種處理社交網(wǎng)絡(luò)跨模態(tài)匹配問(wèn)題的深度典型相關(guān)性分析融合回歸神經(jīng)網(wǎng)絡(luò)(DMRN),通過(guò)在回歸網(wǎng)絡(luò)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(guān)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(quán)的異常用戶檢測(cè)模型(LAWW),針對(duì)社交網(wǎng)絡(luò)言論較短、判斷異常用戶較難的問(wèn)題,通過(guò)采用注意力機(jī)制與統(tǒng)計(jì)學(xué)特征對(duì)輸入加權(quán),挖掘出了更有效的檢測(cè)特征,提出的LAWW算法在異常用戶檢測(cè)準(zhǔn)確率達(dá)到了 73.32%。(4)設(shè)計(jì)和開發(fā)了社交網(wǎng)絡(luò)跨媒體國(guó)民安全事件語(yǔ)義學(xué)習(xí)與行為分析系統(tǒng)。提供深度神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)置功能。通過(guò)對(duì)輸入數(shù)據(jù)進(jìn)行學(xué)習(xí),提取出社交網(wǎng)絡(luò)跨媒體數(shù)據(jù)的深度特征。實(shí)現(xiàn)了跨媒體多模態(tài)的語(yǔ)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(shí)現(xiàn)了友好的用戶交互界面。本文實(shí)現(xiàn)了社交網(wǎng)絡(luò)跨媒體深度特征提取,提出了社交網(wǎng)絡(luò)跨媒體語(yǔ)義空間的映射與表示,針對(duì)社交網(wǎng)絡(luò)異常用戶進(jìn)行了檢測(cè),開發(fā)了社交網(wǎng)絡(luò)跨媒體國(guó)民安全事件語(yǔ)義學(xué)習(xí)與行為分析系統(tǒng),并對(duì)系統(tǒng)進(jìn)行了測(cè)試與驗(yàn)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(luò)圖像上的準(zhǔn)確率指標(biāo)柱狀圖逡逑從平均準(zhǔn)確度量化指標(biāo)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(píng)價(jià)指標(biāo)值。逡逑由表３－３和圖３４可知，對(duì)于平均準(zhǔn)確率，ＤＣＮＮＳＥ－２算法相比于其他三個(gè)逡逑算法指標(biāo)值分別平均提升了邋１１．９％、２５．１％和２４．７％。通過(guò)圖３Ｍ可以得出與準(zhǔn)確逡逑率指標(biāo)相似的結(jié)論，ＤＣＮＮＳＥ－２對(duì)比ＤＣＮＮＳＥ－１算法依然在編碼長(zhǎng)度較低的時(shí)逡逑候提升較為明顯，ＤＡ和ＤＣＮＮＳＥ－２在編碼長(zhǎng)度不同時(shí)較為穩(wěn)定，ＡＥＶＢ和逡逑ＤＣＮＮＳＥ－１在不同編碼長(zhǎng)度指標(biāo)會(huì)出現(xiàn)大幅度的波動(dòng)�？梢钥吹皆谒惴�(zhǔn)確率接逡逑近的情況下，ＤＣＮＮＳＥ－２具有更高的ＭＡＰ值，說(shuō)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(duì)搜索結(jié)果靠前的圖像的相關(guān)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(luò)圖像上的平均準(zhǔn)確度指標(biāo)對(duì)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(gè)搜索結(jié)果的準(zhǔn)確率和平均準(zhǔn)確率來(lái)評(píng)價(jià)本節(jié)的算法。逡逑將四種算法在社交網(wǎng)絡(luò)文本上的實(shí)驗(yàn)結(jié)果對(duì)比如下：首先，關(guān)于準(zhǔn)確率指標(biāo)，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(píng)價(jià)指標(biāo)值。逡逑邐表３－４不同算法在社交網(wǎng)絡(luò)文本上的搜索準(zhǔn)確度指標(biāo)對(duì)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(luò)文本上的搜索準(zhǔn)確率指標(biāo)柱狀圖逡逑由表３４和圖３－７可知，不同算法在搜索隊(duì)列長(zhǎng)度增長(zhǎng)時(shí)準(zhǔn)確度都會(huì)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(duì)列結(jié)果中逡逑ＳＥＡＣ始終保持最高的準(zhǔn)確率，不同的搜索隊(duì)列長(zhǎng)度上搜索準(zhǔn)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(zhǔn)確度量化指標(biāo)上看
【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】：2018
【分類號(hào)】：TP391.41;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 吳稟雅;魏苗;;從深度學(xué)習(xí)回顧自然語(yǔ)言處理詞嵌入方法[J];電腦知識(shí)與技術(shù);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(dòng)化學(xué)報(bào);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(xué)習(xí)的網(wǎng)絡(luò)用戶異常行為檢測(cè)方法[J];計(jì)算機(jī)學(xué)報(bào);2014年01期

相關(guān)博士學(xué)位論文 前2條

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

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

相關(guān)碩士學(xué)位論文 前2條

1 臧虎;基于深層網(wǎng)絡(luò)的多模態(tài)特征融合問(wèn)題的研究與應(yīng)用[D];北京郵電大學(xué);2015年

2 薛曉冬;網(wǎng)絡(luò)行為特征模型及在個(gè)性化服務(wù)中的應(yīng)用[D];華南理工大學(xué);2013年

本文編號(hào)：2702722