發(fā)布時(shí)間：2020-07-01 11:05

【摘要】：隨著社交網(wǎng)絡(luò)的普及,越來越多的用戶通過社交平臺(tái)傳遞信息,使得大量數(shù)據(jù)在社交網(wǎng)絡(luò)上快速、廣泛傳播。社交網(wǎng)絡(luò)中數(shù)據(jù)的存在形式不單是文本,還存在著圖像、視頻等多種類型。因此提取跨媒體數(shù)據(jù)中的語義信息,完成數(shù)據(jù)在統(tǒng)一語義空間中的特征表達(dá)具有重大意義。同時(shí),用戶在社交平臺(tái)上的信息搜索需求日益增加。對于微博等平臺(tái)上文本字?jǐn)?shù)的限制問題,研究查詢擴(kuò)展的方法來滿足用戶搜索需求成為熱點(diǎn)。本文完成的主要工作如下:(1)通過對原始AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn),提出了一個(gè)針對社交網(wǎng)絡(luò)數(shù)據(jù)特征提取的新型AlexNet-Social神經(jīng)網(wǎng)絡(luò)模型。AlexNet-Social神經(jīng)網(wǎng)絡(luò)模型可以更為有效地提取社交網(wǎng)絡(luò)數(shù)據(jù)的深度語義信息,并減少模型參數(shù)計(jì)算量。在社交網(wǎng)絡(luò)圖像數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),AlexNet-Social神經(jīng)網(wǎng)絡(luò)模型的分類準(zhǔn)確度指標(biāo)比改進(jìn)前的模型提升約5.6%,AlexNet-Social模型的訓(xùn)練效率比改進(jìn)前的模型提升約36%。(2)提出了一個(gè)針對社交網(wǎng)絡(luò)國民安全類事件的跨媒體語義模型CSMBA(Cross-modal Semantic Model Based on AlexNet-Social),模型采用深度神經(jīng)網(wǎng)絡(luò)分別提取文本與圖像數(shù)據(jù)的特征,并采用注意力機(jī)制完成了兩種語義特征的統(tǒng)一表達(dá)。在社交網(wǎng)絡(luò)文本與圖像數(shù)據(jù)集上,CSMBA模型對相關(guān)事件識(shí)別任務(wù)的精確率、召回值、F值評(píng)價(jià)指標(biāo)相比對比模型均有較大提升。(3)提出了一個(gè)結(jié)合社交特性與時(shí)間因素的微博搜索算法WSAST(Weibo Searching Algorithm Combining Social and Time Factors)。在查詢詞拓展方面,提出了結(jié)合語義相似度與時(shí)間相似度進(jìn)行查詢詞擴(kuò)展的方法,不但利用了微博文本中的語義信息,而且考慮詞語的時(shí)間分布狀況。在搜索結(jié)果重排方面,采用結(jié)合文本詞頻與微博熱度的重排,充分利用微博用戶參與的社交特性來優(yōu)化搜索結(jié)果。實(shí)驗(yàn)表明WSAST算法在搜索準(zhǔn)確率指標(biāo)上相比其他對比算法有最好的表現(xiàn)。WSAST算法有效地提高了微博搜索的表現(xiàn),較好地滿足用戶的搜索需求。(4)設(shè)計(jì)實(shí)現(xiàn)了微博國民安全事件識(shí)別與話題搜索系統(tǒng)。通過需求分析確定系統(tǒng)的五個(gè)功能模塊:數(shù)據(jù)預(yù)處理功能模塊、國民安全事件數(shù)據(jù)庫建立模塊、國民安全事件類別擴(kuò)展模塊、微博話題搜索模塊與系統(tǒng)可視化模塊。對系統(tǒng)功能進(jìn)行了測試,測試結(jié)果表明系統(tǒng)可以滿足識(shí)別微博中國民安全事件以及優(yōu)化用戶搜索的需求。
【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;TP183
【圖文】：

卷積操作之后，可以用來降低卷積操作后數(shù)據(jù)的維度，并完成圖像特征的融合。逡逑池化操作主要包括最大池化、平均池化和重疊池化等。在ＡｌｅｘＮｅｔ中池化操作使逡逑用的是最大池化操作。池化操作原理圖如圖２－１所示。逡逑輸入數(shù)據(jù)逡逑＾邐逡逑１９？＾逡逑＿＿：＿＿＿＿＿Ｉ＿＿＿邐使川〕２邋大＇Ｊ、的迪邋ｒ—ｊ—，逡逑３邐４邐８邐１邐化窗｜｜處＃邋４邐８逡逑３邐３邐４邐７邐３邐９逡逑１２邐９邐６逡逑邐＾逡逑圖２－１池化操作原理圖逡逑卷積神經(jīng)網(wǎng)絡(luò)中的全連接層的主要作用是將圖像的二維特征轉(zhuǎn)化成一維的逡逑特征向量。通過使用與輸入數(shù)據(jù)的尺寸大小一致的卷積核進(jìn)行卷積操作來完成特逡逑征向量的生成。以ＡｌｅｘＮｅｔ第六層全連接層為例，輸入數(shù)據(jù)大小為（６，邋６，邋２５６），逡逑使用相同尺寸大小的濾波器完成卷積操作，最終的結(jié)果使用一個(gè)神經(jīng)元輸出，濾逡逑波器數(shù)目為４０９６，生成向量的大小同樣為４０９６。逡逑２．２跨媒體分析相關(guān)技術(shù)逡逑在計(jì)算機(jī)領(lǐng)域媒體的含義可以大致分為兩種。第一種是指媒介，即數(shù)據(jù)存儲(chǔ)逡逑的實(shí)體比如：硬盤、光盤、半導(dǎo)體存儲(chǔ)材質(zhì)等。第二種則是指信息的載體，數(shù)據(jù)逡逑以何種形式傳播分析，較為常見的載體有文字?jǐn)?shù)據(jù)、圖像數(shù)據(jù)、語音數(shù)

重復(fù)以一定概率選擇一個(gè)詞的操作，最后就生成了一篇文檔。而ＬＤＡ逡逑模型的形成過程是文檔生成的逆過程，即首先得到一篇文檔，然后去獲取文檔的逡逑主題，最后確定主題中有哪些詞。ＬＤＡ模型跨模態(tài)數(shù)據(jù)分析圖如圖２－２所不。逡逑Ｉ邐邐！邋｜邐嗣涵－系Ｄ邐；逡逑！邐＇邐；邐！邋ｉｓｉｉ邐！逡逑語義關(guān)系丨丨呦．．邐最大化：丨逡逑！邐：邐雕入；▲丨．n牛у危赍義希海掊宀凡�？邋e潁核荊計(jì)�，｜辶x希卞宥喝憾殄澹海�？？逦Ｐ（陀�(jì)咤澹殄義希懾鍑緬澹翦錝肧肧謾跺�？邋＊邋？雄v|邋Ｉ邋卜Ｉ邋Ｉ邐＞邋…逡逑．邐詞嵌入邐；＊邐人———丨邋ｉ邐ｊ逡逑＾邐ｆ邋＊邋？邋？邋ｆ邐ｆ邋ｆ邋．邋．邋．邋ｆ邐＾逡逑語料庫詞匯邋｜邋｜邐深度視覺模指邐｜邋！邐涵涵

本文編號(hào)：2736675