社会化视频主题检测及细粒度情感分析算法研究与实现

发布时间：2021-09-02 18:09

　　随着社会化视频的普及,许多新的视频研究方法被相继提出。弹幕数据是近年来较为流行的社会化视频的产物,其与视频时间同步的属性相较于传统的评论数据具备更精确的时间信息。本文以弹幕文本和视频图像为出发点,首先提取视频情节主题,然后结合两种模态数据进行视频情感分析。本文的研究内容包括两方面。首先提出了基于概率图模型的视频情节主题检测算法,目的在于能够自动对视频情节主题进行检测,提取出每个情节的主题内容。视频情节主题检测算法以弹幕文本作为输入,得到视频情节的主题信息,同时对切分好的情节输出文本主题内容。在视频情节主题检测的基础之上,进行情节粒度下多模态的视频情感分析。相较于对整部视频的粗粒度情感分析,本文所提出的模型能够针对每个情节给出情感极性分析结果。利用弹幕的文本模态以及时间片的图像模态对影视剧进行多模态的视频情感分析,以解决单模态下情感分析不准确的问题。情节主题检测算法与多模态情感分析相结合,构成本文所研究的主要内容。本文主要分析的视频为影视剧,根据不同类型的视频进行了模型算法的验证。实验结果表明,基于改进概率图模型的视频情节主题检测算法能够对一部视频进行合理的切分,同时对切分后的时间片给出... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图１－１视频中的弹幕评论示意图??

ｍ?ｅ?［ｌ，Ａ／?］??图２－１?ＬＤＡ概率图结构间??按照图２－１的概率图模型，确定一篇文档中的一个词语时，按照如下的步骤。??第一步、确定好当前要生成的文档编号ｍ，然后针对这篇文档逐一生成其所??包含的词语。??第二步、根据ｐ矩阵，得到当前词语所属于的主题编号，＼？。??第三步、已知每个主题均是一个多项分布，选择所对应的主题多项分布，??随机产生概率词语ｗ？，？，即生成了当前词语。??在实际计算中，词语是己经观测到的显式变量，而主题编号是未知的隐式变??量。ＬＤＡ算法通常采用Ｇｉｂｂｓ?Ｓａｍｐｌｉｎｇ的方式［１２］，通过观测到的显式变量来反??向生成隐式变量。这样当采样收敛或达到最大迭代次数时，就可以确定每篇文档??的主题分布了。??在概率图模型中有两个重要的参数分别是５和＾

一个时间单元产生影响［１４］。许多在线文档应用，例如ｔｗｉｔｔｅｒ、微博等都具备动态??时间演进的特点。在视频场景下，每个剧情都是随着时间动态演进，因此该模型??对于本文的研究具有重要的参考意义。ＤＪＳＴ的概率图模型如图２－３所示。??８??

【参考文献】：
期刊论文
[1]基于视频的改进帧差法在车流量检测中的应用[J]. 张玲,陈丽敏,何伟,郭磊民.  重庆大学学报(自然科学版). 2004(05)

硕士论文
[1]参与式文化背景下的媒介景观变迁[D]. 郑方圆.吉林大学 2016
[2]亚文化视角下的弹幕视频研究[D]. 杜裕琳.重庆大学 2016



本文编号：3379481