海量視頻節(jié)目的檢索、推薦與反饋學(xué)習(xí).pdf_第1頁
已閱讀1頁,還剩104頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著計算機(jī)網(wǎng)絡(luò)和數(shù)字多媒體技術(shù)的發(fā)展,互聯(lián)網(wǎng)應(yīng)用日益普及,網(wǎng)絡(luò)多媒體數(shù)據(jù)量急劇膨脹使得人們難以獲取有用的信息和服務(wù)。面對海量媒體數(shù)據(jù),如何有效的處理、檢索和推薦,逐漸成為多媒體視頻應(yīng)用和信息管理系統(tǒng)領(lǐng)域中亟待解決的問題。
  本文研究問題集中于以下三個方面:
  1)多媒體檢索的研究逐漸從關(guān)鍵詞檢索方式轉(zhuǎn)向?qū)ο髾z索方式,即以視頻片段為輸入,從海量視頻庫從找出相似視頻。以視覺單詞為基礎(chǔ)的常規(guī)檢索方法,忽視視頻幀時間序列上的關(guān)聯(lián)

2、,在檢索效果上仍有提升空間。如何考慮視頻幀序列關(guān)系,并保持可接受的檢索速度,值得進(jìn)一步研究。
  2)基于協(xié)同過濾的方法是推薦系統(tǒng)領(lǐng)域的一類熱門方法,廣泛用于在線電子商務(wù)中。然而,傳統(tǒng)協(xié)同過濾方法面臨多種問題。近年的研究表明,對象選擇存在“長尾效應(yīng)”,大量對象因缺少用戶關(guān)聯(lián)信息而被傳統(tǒng)協(xié)同過濾推薦算法所忽視。同樣是缺少足夠的用戶-對象關(guān)聯(lián)信息,對象“冷啟動”問題也一直成為協(xié)同過濾推薦系統(tǒng)研究難點。如何利用對象自身特點找出相似關(guān)聯(lián)性

3、,克服協(xié)同推薦中關(guān)聯(lián)信息缺失問題,值得進(jìn)一步研究。
  3)實際應(yīng)用場景下,單純基于顯式反饋(如評分等直接評價信息)的推薦算法,需要用戶主動配合反饋信息采集,一定程度上影響用戶體驗,致使該類推薦系統(tǒng)常面臨反饋信息不足問題。而大量隱式反饋信息,如瀏覽網(wǎng)頁的時間,觀看視頻多久后切換,以及對象選擇的先后順序等,在不影響用戶正常瀏覽的同時,也為推薦系統(tǒng)提供豐富的信息。如何有效利用用戶隱式反饋信息,彌補顯式反饋信息的不足,值得進(jìn)一步研究。<

4、br>  針對上述三個問題,本文的主要工作和創(chuàng)新包括以下三點:
  1)支持復(fù)制檢測的相似視頻檢索性能優(yōu)化方法研究:
  為了提高相似視頻檢索的性能,本文提出一種支持復(fù)制檢測的相似視頻檢索方法。該方法首先對視頻片段進(jìn)行系統(tǒng)采樣,提取視頻幀的全局特征向量,并對特征向量哈希得到特征點,將視頻表示為特征點的時序序列。檢索過程將特征點視為視覺單詞,利用倒排索引,快速計算兩個視頻的相同特征點種類和離散度,對無關(guān)候選對象進(jìn)行過濾。序列距

5、離采用基于Jaccard距離的動態(tài)時間規(guī)整(Dynamic Time Waring,DTW)度量方法,利用距離下界的快速估計,對相似序列搜索過程進(jìn)行優(yōu)化。實驗表明,采用多級評價準(zhǔn)則的檢索方法在同樣檢索效果下,所耗時間僅為原DTW算法的1/3。與MUSCLE VCD2007數(shù)據(jù)集公開實驗結(jié)果對比,本方法的檢索得分/時間比值高于其他算法結(jié)果。
  2)基于語義本體表示的視頻推薦方法研究:
  針對推薦系統(tǒng)中的對象信息稀疏問題,本

6、文提出一種語義本體表示的視頻推薦方法,用于對用戶評分矩陣中缺失的評分信息進(jìn)行預(yù)估,提升對長尾對象和冷啟動對象的推薦效果。以電影數(shù)據(jù)為例,該方法首先根據(jù)電影本體屬性間的相似度,確定相似電影的候選集。利用用戶對候選集電影的評分,預(yù)測該用戶對電影的評分值,并對評分矩陣進(jìn)行填充。最后采用PureSVD算法對填充后的矩陣進(jìn)行分析,將Top-N電影推薦結(jié)果返回用戶。實驗采用Hetrec'11電影評分?jǐn)?shù)據(jù)集測試,并用推薦結(jié)果的Top-N召回率進(jìn)行評估

7、。結(jié)果表明,相比于目前多種的推薦算法(TopPop,近鄰?fù)扑],PureSVD),本文方法對于一般對象的推薦召回率提升24%~30%,對于長尾對象的推薦召回率提升2~5倍,并能有效處理對象冷啟動問題。
  3)結(jié)合隱式反饋的對象推薦方法研究:
  針對實際應(yīng)用場景下顯式反饋信息不足問題,本文提出了一種結(jié)合隱式反饋的對象推薦方法。該方法將用戶的隱式反饋信息轉(zhuǎn)化為0-1用戶-對象評分矩陣,并放入有向關(guān)聯(lián)圖結(jié)構(gòu)中。采用時間窗口技術(shù),

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論