融合立场检测和主题挖掘的突发公共事件网络舆情演化研究

基于立场检测和主题挖掘的突发公共事件舆情演化研究,能够帮助政府及利益相关者快速地掌握突发公共事件网络舆情的演化规律,具有重要的意义。划分具体突发公共事件的舆情生命周期,提出新的立场检测模型和主题句挖掘方法,针对每个生命周期阶段,在识别大众网民的立场信息的基础上筛选出高效用的舆情信息,再挖掘高效用舆情信息的主题,以深入分析突发公共事件主题信息的演化规律。以“杭州女子失踪案”的微博数据为例,首先将本文方法与多种方法的实验结果进行对比分析,验证了方法的有效性;然后基于实验结果进行舆情演化分析,证明了其能够在实际的突发公共事件舆情中快速聚焦关键点,较好地分析突发公共事件舆情演化规律和特点。该方法能较有效、准确地识别和分析舆情内容,为网络舆情演化的研究提供了新视角。     

热点发现及文本倾向性分析技术研究

为了有效地对不断涌现的海量互联网信息进行采集、分析、检索,基于网络舆情分析涉及到的热点发现与文本倾向性分析两个关键技术,改进了相似主题检测和基于语气标注方法的文本倾向性分析算法.实验结果表明,直接通过关键词匹配法,误差较大；基于关联规则的相似主题检测,可以明显提高检测精度.同时,无论是对正面文档还是对负面文档,经过改进...     

一种基于迁移学习的文本—图像特征映射算法

提出一种事件约束下基于迁移学习的文本—图像特征映射算法.通过潜在狄利克莱分配方法对事件文本数据进行主题建模,并通过计算主题特征的信息增益选出最显著的文本特征;用视觉词袋模型和朴素贝叶斯方法对事件图片进行主题建模;通过同事件下的文本数据特征分布和文本—图像共现数据特征分布,实现了对图像特征分布的近似.在包含15个主题事件的数据集上进行实验的结果证明了所提特征映射算法的有效性.     

基于深度学习法的视频文本区域定位与识别

通过对视频图像进行快速、准确的文本定位与识别,有利于提高视频信息处理的效率与准确率.采用Gabor滤波器实现在横、竖、撇、捺四个方向上的视频图像的纹理特征的提取,再通过RBM逐层增量深度学习算法构建深度置信网络,实现对提取的纹理特征图像中文本区域的定位.论文同时研究了利用形态学处理方法和OCR字符库实现对视频图像文本识别的可行性,并分析了识别效果.测试结果表明,本文提出的深度学习算法与形态学字符识别方法相结合,不但能够实现对视频图像文本区域的准确定位,还有利于提高字符识别的效率和准确率.     

多源社交数据融合的多角度旅游信息感知

为了提高用户获取旅游知识的效率,同时提供有效的旅行辅助,提出多源社交数据融合的多角度旅游信息感知方法.对异构的旅游相关数据进行预处理,提出跨媒体多角度关联方法来连接碎片化旅游信息,利用"景观-特征刻画"实现景点的多角度刻画.通过序列模式挖掘算法,从历史游记数据中得到典型旅游路线并向用户进行推荐.基于评论文本和图像上、下文的相似性,将图像和文本结合,实现跨媒体信息关联.从大众点评和蚂蜂窝上,采集国内8个热门景点数据进行实验.结果表明,采用该方法能够更细粒度地刻画景点,且提供的旅游路线能够满足不同用户的需求.     

不同类型重大公共事件下交通管控舆情分析

为了研究在不同类型重大公共事件下实施交通管控引起的舆情差异,从网络舆情角度,构建适用于交通管控舆情分析的情感与主题挖掘协同分析模型.在模型中建立面向重大公共事件下交通管控舆情的情感词典库,基于朴素贝叶斯分类算法进行情感分析,采用LDA主题模型法进行主题挖掘.以常规公共事件与突发公共事件下的交通管控为研究对象,通过爬取微博平台网民的评论数据,对比不同类型事件下交通管控网络舆情变化差异.结果表明,常规公共事件与突发公共事件下的交通管控舆情情感值分别为0.75～0.95与0.35～0.85.不同类型重大公共事件下交通管控舆情出现消极主题词的因素更加复杂,而积极主题词的相似度更高.突发公共事件中交通管控舆情主题词的热度变化趋势在事件初期急剧上升,然后逐渐下降趋于平缓,而常规公共事件下的趋势没有明显规律.     

基于图像描述的文本信息隐藏

针对文本信息隐藏嵌入容量低和语义连贯性差的问题,提出了一种基于神经网络图像描述的文本信息隐藏模型.将卷积神经网络与长短期记忆网络相结合,把图像特征和生成语句进行关联.从收发双方能否共享图像及模型参数的不同应用前提出发,设计了多种概率采样方式,从而生成载密的图像描述文本.实验结果表明,该算法具有较高的隐藏容量,载密描述句能较好地表达图像内容.该模型归属于"无载体"自然语言生成式信息隐藏,具有较好的隐蔽性和安全性.     

一种语义级文本协同图像识别方法

为解决单纯依赖图像低级视觉模态信息进行图像识别准率低的问题. 考虑到许多图像中存在文本信息,提出了利用图像中的文本信息辅助图像识别的语义级文本协同图像识别方法. 该方法通过文本定位方法定位到图像中的文本块,对其进行分割、二值化、提取特征等处理;然后获取语义,提取图像底层视觉信息,计算两模态的相关性,从而得到协同后验概率; 最后,得到联合后验概率,并取其中最大联合后验概率对图像进行识别. 在自建体育视频帧数据库中,通过与以朴素贝叶斯为代表的单模态方法进行比较,方法在3种不同视觉特征下均具有更高的准确率. 实验结果表明,文本协同方法能够有效辅助图像识别,具有更好的识别性能.     

基于RBBLC模型的中文事件抽取方法

在公检法、纪检监察等领域的大数据分析中,结构化数据和非结构化文本数据往往成为主要数据源. 基于这类数据进行业务分析时,需要重点提取数据背后的隐型关联,而事件抽取是对此类文本数据进行关联分析的核心基础. 过往事件抽取任务将事件触发词识别和事件要素识别分开进行,由事件触发词识别得到的事件触发词及事件类型进行后续的事件要素识别,存在误差传播的问题,且以往的基于表示的方法构建的词向量,对于句子级特征的提取能力存在缺失. 提出了一种RBBLC联合抽取模型,以序列标注的方式同时完成事件识别和事件要素识别. 所提RBBLC模型基于RoBERTa构建包含更丰富上下文信息的词向量,继而应用BiLSTM-CNN的网络结构捕捉语句内部关联信息进行事件触发词及论元标签预测和事件类型预测. 在CEC语料库上进行了抽取实验和归纳分析,本方法的F1值、准确率、召回率三项指标较基线方法分别提高了16%、28%和24%,有效提升了事件抽取任务性能.     

BOW-HOG特征图像分类

为了减少图像尺寸对提取特征的影响,同时移除特征向量中的冗余信息,将词汇袋模型(BOW)与梯度方向直方图(HOG)特征相结合,提出一种基于BOW-HOG的特征描述子用于图像分类.将图像划分为不同的子区域,对梯度幅值较大的子区域提取HOG特征.用BOW模型对子区域HOG特征编码,构建原始图像上维度一致的特征向量.将特征向量输入训练好的分类器,完成图像分类任务.将BOW-HOG特征描述子在不同的图像分类任务上进行试验,包括图像文本分类、图像场景分类.本实验的文本分类正确率为0.813,场景分类正确率为0.826,优于传统基于HOG特征的方法,表明了基于BOW-HOG特征图像分类方法的可行性、有效性.     

深度多模态不确定度的短视频事件检测方法

随着短视频的快速发展,短视频事件检测任务受到越来越多的关注。现有短视频事件检测研究普遍采用深度神经网络来获得确定的检测结果,但是网络忽略了不确定度的影响从而导致错误的预测结果也会产生过度置信的决策。为了解决上述问题,本文提出了一个深度多模态不确定度网络的短视频事件检测方法。首先,该方法在传统域分离网络中嵌入变分层,用来获得预测分布;然后,将视觉模态信息和音频模态信息输入到网络中,利用该方法所构建的独立性和相关性损失可以获得包含不确定度的音频模态共、私有域预测分布以及视觉模态共、私有域预测分布;最后,提出了一个不确定度判别法则用来筛选4个域的预测分布,从而得到最终的预测结果。在公开数据集(UCF-101与HMDB51)和新构建的短视频事件检测数据集上进行了实验。实验结果表明,面对不同的深度分类方法以及不同的数据集,本文方法不仅有着更高的分类准确率,还可以对输出结果进行不确定度估计,针对音频的干扰也具有较强的鲁棒性。     

基于改进K-MEANS算法的舆情热点自动发现

目前的网络舆情分析系统一般采用输入的关键词进行检索,无法及时发现未知的热点事件。针对这一问题,设计实现了一个具有实用意义的舆情信息分析系统,并将改进的K-MEANS算法应用于文本聚类来自动发现当前的热点主题。运行结果表明,系统可以及时发现热点话题并对事件实时追踪。     

旅游危机事件网络舆情的本体分析

舆情本体是危机事件相关信息的网络文本内容,决定了网络舆情的热度和危害性.以湖南凤凰古城收费事件为例,甄选网络舆情本体的高频词汇,从词汇类目和演化阶段两个维度,对旅游危机事件网络舆情本体进行研究.研究发现:网络舆情受媒体议程设置影响,网民对事件的探讨基于媒体的报道内容,在了解事实的基础上进行个性化和深入的内容生产;“用脚投票”“抵制”是网民表达不去旅游的意愿和负面情绪的最主要方式;网络舆情的发散追因现象明显,将旅游事件发展成社会事件,将事件的负面影响扩大到整个旅游地,将个别案例扩展到国家和社会的层面;网络舆情的群体极化和网络暴力现象明显,极端表现是层出不穷的语言暴力、人肉搜索、网络恶搞或造谣诽谤;应对网络舆情的冲击和影响,需要从提升网民和政府的媒介素养、加强媒体的职业道德和自律、重视网络舆情的反馈作用以及建构网络舆情监测与预警系统等方面着手.     

融合注意力引导的多尺度低照度图像增强方法

弱光环境导致图像采集设备拍摄的照片呈现出对比度低、亮度较暗、目标物难以分辨等特点。为了改善图像质量,提出了一种融合注意力引导的多尺度低照度图像增强方法。首先,构建密集残差网络作为多尺度特征提取器,用于提取低照度图像中不同尺度的特征图;其次,利用改进的RefineNet对提取出的不同尺度的特征图进行融合,以便充分利用图像中的特征信息;同时,在网络中引入注意力机制,基于边缘检测结果生成注意力图,并与损失函数相结合来引导网络进行训练,在不增加网络推理负担的同时,增强隐藏在黑暗中的细节信息;最后,实验分别选用合成图像和SID(See-in-the-Dark)数据集进行训练与测试。相较于对比算法,峰值信噪比(PSNR)和结构相似性(SSIM)分别平均提高了约0.79 dB和0.119。结果表明,所提方法能有效提高亮度和对比度,恢复图像边缘细节,主观视觉效果得到提升。     

基于数据融合的表情识别

为了解决表情识别中单一数据所包含人脸表情信息不全面的问题,融合了图像与标记点数据;针对传统模式识别方法中手动提取特征的复杂性,采用神经网络框架,从而实现了特征的自动提取。本文算法以人脸表情的图像与标记点数据为基础,以神经网络为框架,采用稀疏自动编码器对网络进行预训练,实现了网络的稀疏连接,另外,在网络权值更新过程中结合了结构化正则项(structured regularization),限制了不同数据与隐层神经元的连接。实验表明:图像与标记点数据的融合更全面地表达了人脸表情信息;稀疏自动编码器和结构化正则项的运用能更有效地提取关键特征,并使神经网络自动分析不同输入数据在表情识别中所起到的作用强弱。     

基于社会多媒体内容的用户建模应用研究

随着互联网和社会媒体平台的发展,社会媒体吸引着数以亿计的用户参与其中进行创造和分享信息,产生了海量的文本、图像、音频和视频数据.面对这些数量巨大、异构多源、模态复杂的社会多媒体内容数据,如何对其进行有效的内容理解和知识表示,从而为用户提供更高效、优质的服务,成为实现社会媒体大数据价值的关键.本文对近年来在社会多媒体内容分析、知识提取和表示以及用户建模应用的相关研究展开综述,并针对社会多媒体特征融合、跨模态知识提取与表示,以及基于社会媒体的用户建模相关应用研究三个方面进行详细总结.随后对社会多媒体内容的知识表示和用户建模的研究与应用的发展趋势进行介绍,最后对多媒体知识表示与用户建模研究进行了总结和展望.     

基于多时长特征融合的人体行为识别方法

对于视频中的人体行为识别问题,提出了多时长特征融合模块以提取多种具有不同时长的行为信息,多时长特征融合模块由多个具有不同时间维度的3D卷积核计算并联组成,并结合密集连接模块设计了一种基于多时长信息特征融合的密集连接卷积神经网络。该网络对从视频中提取的序列图像进行特征学习,有效地提取了动态行为特征,并对其进行分类。同时,提出了一种3D卷积神经网络预训练策略,实现了从2D到3D卷积神经网络的迁移学习。实验结果表明:该方法能够对视频中的人体行为进行有效地识别,在UCF101与HMDB51数据集上分类准确率分别达到87.1%与58.3%。     

一种提取视频电磁泄漏信息同步特征的方法

检测/截获计算机电磁泄漏的视频信息,其关键技术是图像信息的恢复还原。该文用类Harr小波提取不同程度倾斜的视频图像的纹理特征,测量纹理的倾斜角度,用于自动控制行同步参数的调整,直到行同步的精度满足要求,实现截获的计算机视频泄漏信息(图像)的稳定恢复再现。     

基于关键帧的双流卷积网络的人体动作识别方法

针对视频序列中人体动作识别存在信息冗余大、准确率低的问题,提出基于关键帧的双流卷积网络的人体动作识别方法.该方法构建了由特征提取、关键帧提取和时空特征融合3个模块构成的网络框架.首先将空间域视频的单帧RGB图像和时间域多帧叠加后的光流图像作为输入,送入VGG16网络模型,提取视频的深度特征;其次提取视频的关键帧,通过不断预测每个视频帧的重要性,选取有足够信息的有用帧并汇聚起来送入神经网络进行训练,选出关键帧并丢弃冗余帧;最后将两个模型的Softmax输出加权融合作为输出结果,得到一个多模型融合的人体动作识别器,实现了对视频的关键帧处理和对动作的时空信息的充分利用.在UCF-101公开数据集上的实验结果表明,与当前人体动作识别的主流方法相比,该方法具有较高的识别率,并且相对降低了网络的复杂度.     

一种适合于监控视频内容检索的关键帧提取新方法

为减少监控视频的存储容量,便于用户迅速查看视频关键信息,提出一种适于监控视频内容检索的关键帧提取方法.首先,使用背景差分法检测含有运动物体的关键视频段,记录其起始帧和结束帧,然后,在关键视频段中基于联合直方图的方法进行关键帧的粗提取,最后,根据监控视频帧序列的连续性特征,通过图像的信息熵进一步精确提取关键帧.实验结果表明,该方法能有效地提取出监控视频中的关键帧,大大减少了视频数据的存储量,且便于用户浏览关键信息.