基于深度学习的视频UCL自动标引及智能化推荐研究
发布时间：2021-07-04 12:16
随着互联网中视频资源量的快速增长,信息过载问题日益突出,虽然各大视频门户会利用视频特征与用户数据特征向用户推荐视频,但仍存在以下两个问题:第一,缺乏完备且规范的视频语义特征标引标准,且常用的特征自动提取算法对视频的语义特征提取不够充分,导致视频推荐效果不佳;第二,传统单一的视频推荐算法难以结合视频特征和用户特征,虽然深度学习算法可以部分解决该问题,但是在分析上述两种特征的隐式关系方面仍存不足。针对上述问题,本文借助具有丰富语义特征的统一内容标签（Uniform Content Label,UCL）,对视频UCL自动标引及智能化推荐技术进行研究,提出基于特征灵活采样与注意力机制的视频UCL自动标引方法AUIMV-FFSA（Automatic UCL Indexing Method for Video based on Flexible Feature Sampling and Attention mechanism）和基于自注意力机制与模型融合的视频推荐算法RAV-SAMF（Recommendation Algorithm for Video based on Self-Attentio...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
012-2018网络视频、手机网络视频用户规模使用率
东南大学硕士学位论文2故将语义特征作为视频标引中一部分至关重要。如果通过人工的方式抽取视频高层语义特征，不仅费时费力，而且受人的主观影响较大；现有的算法对视频进行高级语义特征提取，其准确度仍有待提高。UCL是一种标引互联网资源语义信息的元数据，由国家标准《统一内容标签格式规范》（GB/T35304-2017）所定义[3]。其结构如图1-2所示，它包含UCL代码部分和UCL属性部分，代码部分为面向读者的内容导引，属性部分为被标引内容的语义信息和管理信息。UCL具有以下三个特点：第一，UCL具有规范性，被标引的各类、各级信息严格遵从UCL格式规范，存放在标引的指定位置中。第二，UCL具有结构灵活的特点，虽然代码部分为固定的32字节，但属性部分除了目前所定义的一些域之外，也可以根据具体的领域和应用场景自由地扩展。第三，UCL能够标引丰富语义信息，包括被标引资源的关键词、作者等。基于此，UCL被应用在现行的互联网结构中，为产品溯源系统、内容治理系统等应用场景提供资源标引，同时也能够支持音视频的各层次特征标引。图1-2统一内容标签UCL格式示意图[3]推荐系统能够关联用户和信息，解决互联网中信息过载的问题，使用户发现自己感兴趣信息的同时，也能够使信息展现在对它感兴趣的用户面前。相较于搜索引擎需要用户明确地输入信息，被动地向用户反馈信息，推荐系统无需用户对自己的需求进行描述，依赖用户的历史行为数据，主动地向用户推荐信息，同时会根据不同时间阶段用户的喜好以及被推荐资源的更新实时更换。对于海量的视频资源，推荐系统的重要性不言而喻，对于YouTube视频网站，个性化推荐视频的点击率为热门视频点击率的2.07倍，个性化推荐能够为互联网的各种网站带来巨大的经济效益。基于此，如图1-3所示，根据对中国知?
第一章绪论3的统计，国内外对“个性化推荐”的关注度逐年提高。图1-3“个性化推荐”的学术关注趋势目前推荐常用的推荐方式有基于内容的推荐、协同过滤推荐、基于规则的推荐以及混合模型推荐[4]。基于内容的推荐是最早被使用的推荐算法，它首先分析物品的相似性，然后将用户喜欢的相似商品推荐给用户，因此需要对商品进行完整和全面的建模以分析商品的相似性，并且存在新用户的冷启动问题[5]。基于协同过滤的推荐方式，根据用户与物体之间的关系，在不考虑用户或者物品自身属性的前提下分析商品或者用户的相似性，进而为用户推荐商品，虽然不需要对商品进行建模，能够处理非结构化的数据，但是存在数据稀疏性和冷启动的问题。基于规则的推荐通过分析用户购买商品的行为，得到不同商品之间的联系规则，进而向用户推荐相关的商品，不存在用户冷启动问题，但随着规则的增加，存在时效性不高的问题[6]。基于混合模型的推荐的原理是建立多个推荐算法模型，通过投票法确定最后的推荐结果，虽然理论上混合模型的最终效果不会比单一模型的效果差，但是其算法的复杂度要高于单个模型[7]。深度学习作为机器学习的一个分支，得益于GPU等硬件水平的快速发展，近些年一直是学术界的研究热点。深度学习算法是对传统神经网络的发展，含有多个隐藏层的非线性网络结构，无需手动构造特征，能够自动抽取数据更抽象和更本质的特征描述。2006年，图灵奖获得者Hinton及其团队第一次提出了深度学习的思想和深度学习的训练方法，并于2012年与学生提出基于卷积神经网络的AlexNet模型[8]，在imageNet竞赛中取得了优异的成绩，引起了学术界的广泛关注。除了在图像处理领域，近些年深度学习在语音识别、自然语言处理和个性化推荐等领域取得了突破性的进展，也被应用于推荐?
【参考文献】：
期刊论文
[1]基于用户的协同过滤（UserCF）新闻推荐算法研究[J]. 潘丽芳,张大龙,李慧. 山西师范大学学报(自然科学版). 2018(04)
[2]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[4]颜色纹理形状特征分层融合图像检索方法研究[J]. 李冰. 西南师范大学学报(自然科学版). 2017(01)
[5]优化稀疏数据集提高协同过滤推荐系统质量的方法[J]. 刘庆鹏,陈明锐. 计算机应用. 2012(04)
硕士论文
[1]视频语义标注研究及原型实现[D]. 鞠峰.山东大学 2012
本文编号：3264772
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
012-2018网络视频、手机网络视频用户规模使用率
东南大学硕士学位论文2故将语义特征作为视频标引中一部分至关重要。如果通过人工的方式抽取视频高层语义特征，不仅费时费力，而且受人的主观影响较大；现有的算法对视频进行高级语义特征提取，其准确度仍有待提高。UCL是一种标引互联网资源语义信息的元数据，由国家标准《统一内容标签格式规范》（GB/T35304-2017）所定义[3]。其结构如图1-2所示，它包含UCL代码部分和UCL属性部分，代码部分为面向读者的内容导引，属性部分为被标引内容的语义信息和管理信息。UCL具有以下三个特点：第一，UCL具有规范性，被标引的各类、各级信息严格遵从UCL格式规范，存放在标引的指定位置中。第二，UCL具有结构灵活的特点，虽然代码部分为固定的32字节，但属性部分除了目前所定义的一些域之外，也可以根据具体的领域和应用场景自由地扩展。第三，UCL能够标引丰富语义信息，包括被标引资源的关键词、作者等。基于此，UCL被应用在现行的互联网结构中，为产品溯源系统、内容治理系统等应用场景提供资源标引，同时也能够支持音视频的各层次特征标引。图1-2统一内容标签UCL格式示意图[3]推荐系统能够关联用户和信息，解决互联网中信息过载的问题，使用户发现自己感兴趣信息的同时，也能够使信息展现在对它感兴趣的用户面前。相较于搜索引擎需要用户明确地输入信息，被动地向用户反馈信息，推荐系统无需用户对自己的需求进行描述，依赖用户的历史行为数据，主动地向用户推荐信息，同时会根据不同时间阶段用户的喜好以及被推荐资源的更新实时更换。对于海量的视频资源，推荐系统的重要性不言而喻，对于YouTube视频网站，个性化推荐视频的点击率为热门视频点击率的2.07倍，个性化推荐能够为互联网的各种网站带来巨大的经济效益。基于此，如图1-3所示，根据对中国知?
第一章绪论3的统计，国内外对“个性化推荐”的关注度逐年提高。图1-3“个性化推荐”的学术关注趋势目前推荐常用的推荐方式有基于内容的推荐、协同过滤推荐、基于规则的推荐以及混合模型推荐[4]。基于内容的推荐是最早被使用的推荐算法，它首先分析物品的相似性，然后将用户喜欢的相似商品推荐给用户，因此需要对商品进行完整和全面的建模以分析商品的相似性，并且存在新用户的冷启动问题[5]。基于协同过滤的推荐方式，根据用户与物体之间的关系，在不考虑用户或者物品自身属性的前提下分析商品或者用户的相似性，进而为用户推荐商品，虽然不需要对商品进行建模，能够处理非结构化的数据，但是存在数据稀疏性和冷启动的问题。基于规则的推荐通过分析用户购买商品的行为，得到不同商品之间的联系规则，进而向用户推荐相关的商品，不存在用户冷启动问题，但随着规则的增加，存在时效性不高的问题[6]。基于混合模型的推荐的原理是建立多个推荐算法模型，通过投票法确定最后的推荐结果，虽然理论上混合模型的最终效果不会比单一模型的效果差，但是其算法的复杂度要高于单个模型[7]。深度学习作为机器学习的一个分支，得益于GPU等硬件水平的快速发展，近些年一直是学术界的研究热点。深度学习算法是对传统神经网络的发展，含有多个隐藏层的非线性网络结构，无需手动构造特征，能够自动抽取数据更抽象和更本质的特征描述。2006年，图灵奖获得者Hinton及其团队第一次提出了深度学习的思想和深度学习的训练方法，并于2012年与学生提出基于卷积神经网络的AlexNet模型[8]，在imageNet竞赛中取得了优异的成绩，引起了学术界的广泛关注。除了在图像处理领域，近些年深度学习在语音识别、自然语言处理和个性化推荐等领域取得了突破性的进展，也被应用于推荐?
【参考文献】：
期刊论文
[1]基于用户的协同过滤（UserCF）新闻推荐算法研究[J]. 潘丽芳,张大龙,李慧. 山西师范大学学报(自然科学版). 2018(04)
[2]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[4]颜色纹理形状特征分层融合图像检索方法研究[J]. 李冰. 西南师范大学学报(自然科学版). 2017(01)
[5]优化稀疏数据集提高协同过滤推荐系统质量的方法[J]. 刘庆鹏,陈明锐. 计算机应用. 2012(04)
硕士论文
[1]视频语义标注研究及原型实现[D]. 鞠峰.山东大学 2012
本文编号：3264772
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3264772.html
