基于文本挖掘的視頻標簽生成及視頻分類研究.pdf

1、在信息技術高速發(fā)展的時代，人們獲取信息的途徑正在逐漸從報紙、廣播、電視等傳統(tǒng)媒體向互聯(lián)網上的多媒體數據轉移。加之手機、iPad等移動電子設備的廣泛使用，網絡上的視頻、音樂、文字等數據已經成為人們獲取、存儲信息的重要來源。由于網絡資源規(guī)模的迅速增長，導致視頻數據量十分龐大。如果不將這些視頻數據進行有效的整理，無論是用戶想快速獲取數據，還是資源管理者想處理這些信息，都將變得十分困難。因此，通過對視頻資源進行分類整理，構建結構化的數據庫，將極

2、大地提高互聯(lián)網用戶獲取自己所需視頻資源的速率，并且能幫助資源管理者高效率地分析、處理視頻數據，從中分析用戶的行為以及喜好，挖掘出更多的商業(yè)價值。
　　視頻分類方法主要分為兩大類。一類是基于圖像特征，通過分析關鍵幀的圖像性質來對視頻進行分類的方法。研究發(fā)現這類方法時間、空間成本高，并且受圖像質量影響，其局限性大、效率低。另一類是基于文本挖掘，通過分析視頻的文本信息來將視頻進行分類的方法。用于挖掘的語料主要來自于視頻的基本描述、用戶所

3、貢獻的標簽以及評論等信息。由于文本數據處理的效率相對較高，技術相對成熟，因此，基于文本挖掘的視頻分類方法具有可行性以及研究價值。
　　本文主要研究以下幾方面內容：
　　(1)通過對視頻推薦的特征和需求進行分析，發(fā)現運用視頻分類與視頻標簽對于優(yōu)化推薦效果的可行性。從文本挖掘的角度和層面來構建視頻分類模型，主要包括數據采集、文本預處理、特征空間降維、分類器訓練、分類器評估等環(huán)節(jié)。
　　(2)重點研究文本挖掘的關鍵環(huán)節(jié)：特征

4、空間降維和分類器訓練。特征項評估函數和分類模型直接決定了特征項空間的構成，影響最后分類的效果。本文基于已有的文本挖掘理論，提出了一種TCD(Term Category Discrimination)特征評估方法。并基于χ2統(tǒng)計和概率調整技術，對樸素貝葉斯的先驗概率計算進行了改進，并通過實驗驗證改進后的分類模型具有更準確的分類效果。
　　(3)基于樸素貝葉斯的后驗概率以及分類結果，重新設計視頻相似度的計算方式。以TCD特征評估函數值