基于半監(jiān)督流形學(xué)習(xí)的Web信息檢索技術(shù)研究.pdf

1、在Web2.0時(shí)代，萬維網(wǎng)逐漸由一個(gè)海量信息存儲(chǔ)庫發(fā)展成為全球用戶參與、分享和交互的平臺(tái)。這一方面促使萬維網(wǎng)上各種復(fù)雜類型數(shù)據(jù)(圖像、音頻、視頻等)急劇增加；另一方面，用戶在Web信息檢索方面的個(gè)性化需求也不斷增長(zhǎng)。有效支持復(fù)雜類型數(shù)據(jù)檢索和檢索結(jié)果的個(gè)性化成為當(dāng)前Web信息檢索技術(shù)所面臨的兩大挑戰(zhàn)。
　　 本文對(duì)基于半監(jiān)督流形學(xué)習(xí)的Web信息檢索技術(shù)進(jìn)行了探索和研究。半監(jiān)督流形學(xué)習(xí)技術(shù)基于流形數(shù)據(jù)假設(shè)，利用由已標(biāo)注數(shù)據(jù)和未標(biāo)注

2、數(shù)據(jù)所共同體現(xiàn)的內(nèi)在流形結(jié)構(gòu)，來構(gòu)建更有效的學(xué)習(xí)模型。在各種Web信息檢索應(yīng)用中，各類相關(guān)數(shù)據(jù)通常分布在高維外部空間中的子流彤結(jié)構(gòu)上，這為半監(jiān)督流形學(xué)習(xí)技術(shù)提供了廣闊的用武之地。
　　 在Web2.0時(shí)代，各類Web2.0應(yīng)用將產(chǎn)生大量的用戶自主創(chuàng)造內(nèi)容(UGC)。這些UGC數(shù)據(jù)包含了很多用戶個(gè)性化信息，有效利用這砦數(shù)據(jù)是實(shí)現(xiàn)Web信息檢索個(gè)性化的關(guān)鍵。但是，相比于萬維網(wǎng)上的海量信息，能有效輔助個(gè)性化檢索的用戶反饋信息顯得非常稀

3、缺。半監(jiān)督流形學(xué)習(xí)技術(shù)利用數(shù)據(jù)的流形分布特征，讓我們?cè)赪eb信息檢索中更加充分的利用用戶反饋，實(shí)現(xiàn)各類數(shù)據(jù)的有效檢索，更好的實(shí)現(xiàn)檢索內(nèi)容個(gè)性化。
　　 在本文中，我們?cè)趯?duì)半監(jiān)督流彤學(xué)習(xí)技術(shù)在以下Web信息檢索相關(guān)領(lǐng)域中的應(yīng)用進(jìn)行了研究和探索：
　　 1.基于內(nèi)容的圖像檢索(CBIR)：引入用戶反饋是解決CBIR中“語義鴻溝”問題的有效手段，但這又給圖像檢索帶來“維度災(zāi)難”問題。為了解決這個(gè)問題，本文使用核技術(shù)對(duì)最大邊緣投

4、影算法(MMP)進(jìn)行非線性擴(kuò)展，提出了基于核的最大邊緣投影算法(KMMP)。KMMP將圖像子流形映射到一個(gè)低維子空間，更好的實(shí)現(xiàn)高度非線性流形數(shù)據(jù)的降維，有效提高圖像檢索的精確度。
　　 2.Web新聞人臉檢索：大部分新聞都是和人相關(guān)的一些故事，因此根據(jù)特定的人物對(duì)相關(guān)的新聞文本和圖片進(jìn)行檢索是一種很自然的需求。在新聞人臉檢索中，人工標(biāo)注的代價(jià)往往較高；因此，現(xiàn)有的方法都是在文本檢索的基礎(chǔ)上，使用無監(jiān)督學(xué)習(xí)技術(shù)對(duì)人臉數(shù)據(jù)聚類來檢

5、索新聞人臉。如果屬于同一個(gè)人的負(fù)樣例圖片比較多，無監(jiān)督的方法會(huì)返回大量的錯(cuò)誤結(jié)果。本文提出了一種基于半監(jiān)督流形排序的新聞人臉檢索方法，利用人臉數(shù)據(jù)分布的流彤幾何特征，在檢索過程中引入用戶相關(guān)反饋，實(shí)現(xiàn)更加精確的新聞人臉檢索。同時(shí)，用戶相關(guān)反饋的引入，也有效解決了無監(jiān)督方法在屬于同一個(gè)人的負(fù)樣例圖片較多的情況下檢索精度差的問題。
　　 3.網(wǎng)頁文檔摘要：在社交網(wǎng)絡(luò)中，用戶在網(wǎng)頁上標(biāo)注的標(biāo)簽既是對(duì)相關(guān)內(nèi)容的高度概括，也是用戶對(duì)感興趣

6、內(nèi)容的標(biāo)注。這使網(wǎng)頁標(biāo)簽成為網(wǎng)頁摘要的良好素材。本文通過使用網(wǎng)頁標(biāo)簽，提出一種以抽取用戶感興趣內(nèi)容為主的社會(huì)化摘要方法。首先，我們?cè)谌藚f(xié)同標(biāo)簽?zāi)Ｐ?Tripartite Collaborative Tagging Model)的基礎(chǔ)上，通過分析用戶標(biāo)簽行為，構(gòu)建一個(gè)體現(xiàn)數(shù)據(jù)流形分布特征的加權(quán)圖。然后，我們使用線性近鄰傳遞方法實(shí)現(xiàn)在加權(quán)圖上的用戶興趣傳播，使得產(chǎn)生的網(wǎng)頁摘要有效聚焦于用戶感興趣的內(nèi)容。
　　 4.新聞網(wǎng)頁標(biāo)題識(shí)別