CN105787049B - 一种基于多源信息融合分析的网络视频热点事件发现方法 - Google Patents
一种基于多源信息融合分析的网络视频热点事件发现方法 Download PDFInfo
- Publication number
- CN105787049B CN105787049B CN201610109051.7A CN201610109051A CN105787049B CN 105787049 B CN105787049 B CN 105787049B CN 201610109051 A CN201610109051 A CN 201610109051A CN 105787049 B CN105787049 B CN 105787049B
- Authority
- CN
- China
- Prior art keywords
- video
- network video
- text
- network
- source information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/738—Presentation of query results
- G06F16/739—Presentation of query results in form of a video summary, e.g. the video summary being a video sequence, a composite still image or having synthesized frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于多源信息融合分析的网络视频热点事件发现方法。包括:1)采集有多源信息的网络视频;2)将网络视频的多源信息结构化为描述性关键字标签;3)根据步骤2)得到的网络视频语义结构化关键字标签与用户定义的敏感词字典的匹配度,得到网络视频的主观敏感度参数;4)根据网络视频中多源信息的点击率、时间字段,得到网络视频的客观热度参数;5)根据步骤3)得到的主观敏感度参数,建立网络视频敏感度预测模型,预测新网络视频的主观敏感度;6)根据步骤4)得到的客观热度参数,建立网络视频热度预测模型,预测新网络视频的客观热度;7)选取主观敏感度和客观热度加权求和在网络视频集中排名靠前的视频作为热点视频。
Description
技术领域
本发明属于计算机视觉领域,涉及网络视频热点事件发现方法。
背景技术
网络视频是当今的信息社会重要的组成部分。网络视频规模庞大并且增长迅速。在给人们生活带来便利的同时,无论从国家安全还是存储便利的角度考虑,从网络视频中检测、跟踪热点敏感事件都是亟待解决的问题。
现有的网络视频热点事件发现方案通常是利用人工检测判断视频是否包含敏感或者热点信息,或者依赖于视频标签、评论等文本信息进行判断。然而,一方面随着视频数量的大规模增加,利用人工检测将消耗大量的人力和时间,导致响应迟缓。另一方面,有大量的视频并不包含完整准确的标签及评论信息,基于文本的方法也就无法处理。因此,利用计算机技术,对网络视频本身的内容进行理解标注,再利用数据挖掘的手段处理才是解决热点敏感事件的自动检测的根本手段。
本发明针对网络视频规模庞大,语义内容复杂等问题,研发基于摘要提取的网络视频下载技术,结合网络视频所具有的标签、评论等多源信息,通过概念检测技术,研发基于多源多维信息融合的网络视频的语义结构化技术,在此基础上,基于主题模型研发视频热点事件的自动发现和推荐技术,最终提出一种基于多源信息融合分析的网络视频热点事件发现方法,实现对热点及敏感事件检测功能,具有重大的科学研究和经济社会价值。
发明内容
本发明要克服现有技术的上述缺点,针对带有标签、名称、评论等信息的网上视频,自动地发现网络视频中的热点及敏感事件,用以自动化检测大规模网络视频热点敏感事件,有效提高检测网络视频热点事件的召回率,降低网络视频热点事件检测的时间成本。
本发明提出一种基于多源信息融合分析的网络视频热点事件发现方法,包括以下步骤:
1)采集有多源信息的网络视频。
2)通过多源融合分析的视频语义结构化模块,将网络视频的多源信息(网络视频的标签、名称和评论)结构化为描述性关键字标签,实现网络视频语义结构化。
3)根据步骤2)得到的网络视频语义结构化关键字标签与用户定义的敏感词字典的匹配度,得到网络视频的主观敏感度参数。
4)根据网络视频中多源信息的点击率、时间字段,得到网络视频的客观热度参数。
5)根据步骤3)得到的主观敏感度参数,建立网络视频敏感度预测模型,预测新网络视频的主观敏感度。
6)根据步骤4)得到的客观热度参数,建立网络视频热度预测模型,预测新网络视频的客观热度。
7)选取步骤5)得到的网络视频的主观敏感度和步骤6)得到的网络视频的客观热度都大于一定阈值,并且主观敏感度和客观热度加权求和在网络视频集中排名靠前的视频作为热点视频,即网络视频热点事件。
所述的多源信息包括网络视频的标签、名称、评论、时间和点击率。
所述的多源融合分析的视频语义结构化模块,包括视频摘要下载与多源文本信息摘要、视频概念检测与文本主题建模和视频语义结构化。
其中,视频摘要下载与多源文本信息摘要,一方面是指基于已有标注的训练数据,通过视频特征估计视频中前景物体,然后用Gibbs采样学习该前景在时间轴上的分布,从而计算前景在时域上对表现视频内容的似然分布。当给定新的网络视频时,通过前景检测获得前景的起始时间,然后基于学习得到的时域似然分布,在最大似然的同时最小化视频帧的数目,从而获得对该视频的摘要提取;另一方面,将非结构化的语义脚本进行信息摘要,用几句话概括原本冗长的文字脚本。对此,拟采用课题组研发的基于语义重建的文本摘要技术,通过训练文本的语义重建训练获得常用关键词字典。给定新的文本数据时,基于训练得到的关键词字典对该文本数据进行语义重建,从而实现原始多源文本的摘要。系统通过时刻保持对视频摘要数据和文本摘要数据的协同以获得多源数据流摘要之后的一致性。
其中,视频概念检测与文本主题建模,是指将摘要下载的网络视频和与之匹配的文字脚本建模为语义单元的集合描述,以便于后续步骤对视频和文本内容的结构化理解。具体包括首先构造视频低层特征与视频概念的支持向量机(Support Vector Machine,SVM)判别式模型,基于大量的网络视频标注数据对各种视频概念检测SVM进行训练。通过视频概念检测,我们可以排除大部分无用的视频信息,关注于视频中语义概念集中的部分,实现视频的语义概念描述。然后,文本主题建模模块拟采用隐狄利克雷话题模型(LatentDirichlet Topic Model,LDTM),利用期望最大化算法得到模型的参数。将每个文本脚本表示成混合话题的分布。给定新的摘要文本时,利用训练得到的话题分布进行文本主题建模,在此基础上将结构化的文本话题与视频语义概念检测结果进行交叉验证,确定网络视频最终的文本语义主题和视频概念。
其中,视频语义结构化,是指在完成视频概念检测和文本主题建模之后,将网络视频相关联的多源数据结构化为描述性关键字标签,实现网络视频语义结构化。
步骤4所述的所述的客观热度参数,包括网络视频的点击率、扩散速度。
步骤5所述的所述的网络视频敏感度预测模型,是通过用户定义的敏感词字典构造敏感度图谱,再基于该图谱对匹配的敏感词进行协同过滤打分,分数越高敏感度越高,反之越低。
步骤6所述的所述的网络视频热度预测模型,是采取逻辑回归方法。
本发明的优点是:本发明对非结构的大规模网络视频进行多元信息融合和语义结构化,提取视频与对应文本的关键信息,大大降低存储开销,与此同时本发明的多源多维信息融合技术能够处理缺少标签、描述、评论等信息的网络视频,对不同类型和来源的视频具有较好的适应性和鲁棒性,不仅如此,本发明的热点事件检测模型综合考虑了视频的主观敏感度和客观热度,保证了热点事件检测的准确性和可靠性。
附图说明
图1是本发明的流程图。
图2是视频摘要下载与多源文本信息摘要示意图。
图3是视频概念检测与文本主题建模示意图。
图4是视频语义结构化示意图。
具体实施方式
下面结合本发明中的附图,对本发明的技术方案进行清晰、完整地描述。
本发明提出一种基于多源信息融合分析的网络视频热点事件发现方法,图1展示了该方法的整体流程。基于多源信息融合分析的网络视频热点事件发现方法具体实施步骤如下:
步骤1,采集有多源信息的网络视频。
所述的多源信息包括网络视频的标签、名称、评论、时间和点击率。
步骤2,通过多源融合分析的视频语义结构化模块,将网络视频的多源信息(网络视频的标签、名称和评论)结构化为描述性关键字标签,实现网络视频语义结构化。
所述的多源融合分析的视频语义结构化模块,包括视频摘要下载与多源文本信息摘要、视频概念检测与文本主题建模和视频语义结构化。
其中,视频摘要下载与多源文本信息摘要,一方面是指基于已有标注的训练数据,通过视频特征估计视频中前景物体,然后用Gibbs采样学习该前景在时间轴上的分布,从而计算前景在时域上对表现视频内容的似然分布。当给定新的网络视频时,通过前景检测获得前景的起始时间,然后基于学习得到的时域似然分布,在最大似然的同时最小化视频帧的数目,从而获得对该视频的摘要提取;另一方面,将非结构化的语义脚本进行信息摘要,用几句话概括原本冗长的文字脚本。对此,拟采用课题组研发的基于语义重建的文本摘要技术,通过训练文本的语义重建训练获得常用关键词字典。给定新的文本数据时,基于训练得到的关键词字典对该文本数据进行语义重建,从而实现原始多源文本的摘要。系统通过时刻保持对视频摘要数据和文本摘要数据的协同以获得多源数据流摘要之后的一致性。
视频概念检测与文本主题建模,是指将摘要下载的网络视频和与之匹配的文字脚本建模为语义单元的集合描述,以便于后续步骤对视频和文本内容的结构化理解。具体包括首先构造视频低层特征与视频概念的支持向量机(Support Vector Machine,SVM)判别式模型,基于大量的网络视频标注数据对各种视频概念检测SVM进行训练。通过视频概念检测,我们可以排除大部分无用的视频信息,关注于视频中语义概念集中的部分,实现视频的语义概念描述。然后,文本主题建模模块拟采用隐狄利克雷话题模型(Latent DirichletTopic Model,LDTM),利用期望最大化算法得到模型的参数。将每个文本脚本表示成混合话题的分布。给定新的摘要文本时,利用训练得到的话题分布进行文本主题建模,在此基础上将结构化的文本话题与视频语义概念检测结果进行交叉验证,确定网络视频最终的文本语义主题和视频概念。
视频语义结构化,是指在完成视频概念检测和文本主题建模之后,将网络视频相关联的多源数据结构化为描述性关键字标签,实现网络视频语义结构化。
步骤3,根据步骤2得到的网络视频语义结构化关键字标签与用户定义的敏感词字典的匹配度,得到网络视频的主观敏感度参数。主观敏感度参数反映了网络视频的语义信息的敏感程度,通过计算视频结构化得到的关键字标签与用户定义的敏感词字典的匹配度,获得视频的主观敏感度参数。
步骤4,根据网络视频中多源信息的点击率、时间字段,得到网络视频的客观热度参数。其中客观热度参数主要包括网络视频的点击率、扩散速度,这些参数通过多源数据中的相应字段计算得到。
步骤5,根据步骤3得到的主观敏感度参数,建立网络视频敏感度预测模型,预测新网络视频的主观敏感度。
所述的网络视频敏感度预测模型,是通过用户定义的敏感词字典构造敏感度图谱,再基于该图谱对匹配的敏感词进行协同过滤打分,分数越高敏感度越高,反之越低。
步骤6,根据步骤4得到的客观热度参数,建立网络视频热度预测模型,预测新网络视频的客观热度。
所述的网络视频热度预测模型,是采取逻辑回归方法。
步骤7,选取步骤5得到的网络视频的主观敏感度和步骤6得到的网络视频的客观热度都大于一定阈值,并且主观敏感度和客观热度加权求和在网络视频集中排名靠前的视频作为热点视频,即网络视频热点事件。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (8)
1.一种基于多源信息融合分析的网络视频热点事件发现方法,
包括如下步骤:
1)采集有多源信息的网络视频;
2)通过多源融合分析的视频语义结构化模块,将网络视频的多源信息结构化为描述性关键字标签,实现网络视频语义结构化;
3)根据步骤2)得到的网络视频语义结构化关键字标签与用户定义的敏感词字典的匹配度,得到网络视频的主观敏感度参数;
4)根据网络视频中多源信息中的点击率、时间字段,得到网络视频的客观热度参数;
5)根据步骤3)得到的主观敏感度参数,建立网络视频敏感度预测模型,预测新网络视频的主观敏感度;
6)根据步骤4)得到的客观热度参数,建立网络视频热度预测模型,预测新网络视频的客观热度;
7)选取步骤5)得到的网络视频的主观敏感度和步骤6)得到的网络视频的客观热度都大于一定阈值,并且主观敏感度和客观热度加权求和在网络视频集中排名靠前的视频作为热点视频,即网络视频热点事件。
2.根据权利要求1所述的一种基于多源信息融合分析的网络视频热点事件发现方法,其特征在于:步骤1所述的多源信息包括网络视频的标签、名称、评论、时间和点击率。
3.根据权利要求1所述的一种基于多源信息融合分析的网络视频热点事件发现方法,其特征在于:步骤2所述的多源融合分析的视频语义结构化模块,用于视频摘要下载与多源文本信息摘要提取、视频概念检测与文本主题建模和视频语义结构化。
4.根据权利要求3所述的一种基于多源信息融合分析的网络视频热点事件发现方法,其特征在于:所述的视频摘要下载与多源文本信息摘要提取 一方面是指基于已有标注的训练数据,通过视频特征估计视频中前景物体,然后用Gibbs采样学习该前景在时间轴上的分布,从而计算前景在时域上对表现视频内容的似然分布;当给定新的网络视频时,通过前景检测获得前景的起始时间,然后基于学习得到的时域似然分布,在最大似然的同时最小化视频帧的数目,从而获得对该视频的摘要提取;另一方面,将非结构化的语义脚本进行信息摘要提取 ,用几句话概括原本冗长的文字脚本;对此,采用课题组研发的基于语义重建的文本摘要技术,通过训练文本的语义重建训练获得常用关键词字典;给定新的文本数据时,基于训练得到的关键词字典对该文本数据进行语义重建,从而实现原始多源文本的摘要提取 ;系统通过时刻保持对视频摘要数据和文本摘要数据的协同以获得多源数据流摘要提取 之后的一致性。
5.根据权利要求3所述的一种基于多源信息融合分析的网络视频热点事件发现方法,其特征在于:所述的视频概念检测与文本主题建模是指将摘要下载的网络视频和与之匹配的文字脚本建模为语义单元的集合描述,以便于后续步骤对视频和文本内容的结构化理解;具体包括首先构造视频低层特征与视频概念的支持向量机SVM判别式模型,基于大量的网络视频标注数据对各种视频概念检测SVM进行训练;通过视频概念检测,可以排除大部分无用的视频信息,关注于视频中语义概念集中的部分,实现视频的语义概念描述;然后,文本主题建模模块采用隐狄利克雷话题模型LDTM,利用期望最大化算法得到模型的参数;将每个文本脚本表示成混合话题的分布;给定新的摘要文本时,利用训练得到的话题分布进行文本主题建模,在此基础上将结构化的文本话题与视频语义概念检测结果进行交叉验证,确定网络视频最终的文本语义主题和视频概念。
6.根据权利要求3所述的一种基于多源信息融合分析的网络视频热点事件发现方法,其特征在于:所述的视频语义结构化是指在完成视频概念检测和文本主题建模之后,将网络视频相关联的多源数据结构化为描述性关键字标签,实现网络视频语义结构化。
7.根据权利要求1所述的一种基于多源信息融合分析的网络视频热点事件发现方法,其特征在于:步骤4所述的客观热度参数和包括网络视频的点击率、扩散速度。
8.根据权利要求1所述的一种基于多源信息融合分析的网络视频热点事件发现方法,其特征在于:步骤5所述的网络视频敏感度预测模型,是通过用户定义的敏感词字典构造敏感度图谱,再基于该图谱对匹配的敏感词进行协同过滤打分,分数越高敏感度越高,反之越低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610109051.7A CN105787049B (zh) | 2016-02-26 | 2016-02-26 | 一种基于多源信息融合分析的网络视频热点事件发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610109051.7A CN105787049B (zh) | 2016-02-26 | 2016-02-26 | 一种基于多源信息融合分析的网络视频热点事件发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787049A CN105787049A (zh) | 2016-07-20 |
CN105787049B true CN105787049B (zh) | 2019-07-16 |
Family
ID=56403802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610109051.7A Active CN105787049B (zh) | 2016-02-26 | 2016-02-26 | 一种基于多源信息融合分析的网络视频热点事件发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787049B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107707964A (zh) * | 2016-08-08 | 2018-02-16 | 华为软件技术有限公司 | 预测视频内容热度的方法和装置 |
CN106951471B (zh) * | 2017-03-06 | 2020-05-05 | 浙江工业大学 | 一种基于svm的标签发展趋势预测模型的构建方法 |
CN110019937B (zh) * | 2017-11-24 | 2023-11-03 | 华为技术有限公司 | 视频热度的预测方法及装置 |
CN108062409B (zh) * | 2017-12-29 | 2021-06-22 | 北京奇艺世纪科技有限公司 | 直播视频摘要的生成方法、装置及电子设备 |
CN108491533B (zh) * | 2018-03-29 | 2019-04-02 | 百度在线网络技术(北京)有限公司 | 数据融合方法、装置、数据处理系统及存储介质 |
US11244013B2 (en) * | 2018-06-01 | 2022-02-08 | International Business Machines Corporation | Tracking the evolution of topic rankings from contextual data |
CN110633410A (zh) * | 2018-06-21 | 2019-12-31 | 中兴通讯股份有限公司 | 信息处理方法及装置、存储介质、电子装置 |
CN109587578A (zh) * | 2018-12-21 | 2019-04-05 | 麒麟合盛网络技术股份有限公司 | 视频片段的处理方法及装置 |
CN109933709B (zh) * | 2019-01-31 | 2023-09-26 | 平安科技(深圳)有限公司 | 视频文本组合数据的舆情跟踪方法、装置和计算机设备 |
CN110287338B (zh) * | 2019-06-21 | 2022-04-29 | 北京百度网讯科技有限公司 | 行业热点确定方法、装置、设备和介质 |
CN111932427B (zh) * | 2020-09-24 | 2021-01-26 | 北京泰策科技有限公司 | 一种基于多模态数据的突发公共安全事件检测方法及系统 |
CN112541485B (zh) * | 2020-12-29 | 2024-03-29 | 宁波职业技术学院 | 基于多源正则化消费视频事件检测模糊回归模型构建方法 |
CN113239239A (zh) * | 2021-07-12 | 2021-08-10 | 深圳市永达电子信息股份有限公司 | 一种网络安全设备知识融合方法、装置、系统及存储介质 |
CN113642536B (zh) * | 2021-10-13 | 2021-12-24 | 腾讯科技(深圳)有限公司 | 数据处理方法、计算机设备以及可读存储介质 |
CN114302227B (zh) * | 2021-12-28 | 2024-04-26 | 北京国瑞数智技术有限公司 | 基于容器采集的网络视频采集与解析的方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254265A (zh) * | 2010-05-18 | 2011-11-23 | 北京首家通信技术有限公司 | 一种富媒体互联网广告内容匹配、效果评估方法 |
US8699852B2 (en) * | 2011-10-10 | 2014-04-15 | Intellectual Ventures Fund 83 Llc | Video concept classification using video similarity scores |
CN104573054A (zh) * | 2015-01-21 | 2015-04-29 | 杭州朗和科技有限公司 | 一种信息推送方法和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
-
2016
- 2016-02-26 CN CN201610109051.7A patent/CN105787049B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254265A (zh) * | 2010-05-18 | 2011-11-23 | 北京首家通信技术有限公司 | 一种富媒体互联网广告内容匹配、效果评估方法 |
US8699852B2 (en) * | 2011-10-10 | 2014-04-15 | Intellectual Ventures Fund 83 Llc | Video concept classification using video similarity scores |
CN104573054A (zh) * | 2015-01-21 | 2015-04-29 | 杭州朗和科技有限公司 | 一种信息推送方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105787049A (zh) | 2016-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787049B (zh) | 一种基于多源信息融合分析的网络视频热点事件发现方法 | |
CN112395539B (zh) | 一种基于自然语言处理的舆情风险监测方法及系统 | |
CN109783812B (zh) | 基于自注意力机制的中文命名实体识别方法、系统、装置 | |
KR101561464B1 (ko) | 수집 데이터 감성분석 방법 및 장치 | |
Yang et al. | Leveraging procedural knowledge for task-oriented search | |
Corallo et al. | Sentiment analysis for government: An optimized approach | |
CN106537387B (zh) | 检索/存储与事件相关联的图像 | |
CN110008473A (zh) | 一种基于迭代方法的医疗文本命名实体识别标注方法 | |
CN109271624A (zh) | 一种目标词确定方法、装置及存储介质 | |
CN103823868B (zh) | 一种面向在线百科的事件识别方法和事件关系抽取方法 | |
Ma et al. | Intelligent clickbait news detection system based on artificial intelligence and feature engineering | |
De Kock et al. | Leveraging Wikipedia article evolution for promotional tone detection | |
Bhatia et al. | Analysing cyberbullying using natural language processing by understanding jargon in social media | |
Jacob et al. | Fake product review detection and removal using opinion mining through machine learning | |
Fan et al. | Dkgbuilder: An architecture for building a domain knowledge graph from scratch | |
CN108241609B (zh) | 排比句识别方法及系统 | |
Jiang et al. | Moocon: a framework for semi-supervised concept extraction from Mooc content | |
Shete et al. | Fake news detection using natural language processing and logistic regression | |
Thanos et al. | Combined deep learning and traditional NLP approaches for fire burst detection based on twitter posts | |
CN103793444B (zh) | 用户需求获取方法 | |
Kalita et al. | An extractive approach of text summarization of Assamese using WordNet | |
Wang et al. | Research on opinion spam detection by time series anomaly detection | |
KR20130092220A (ko) | 소셜 시그널 기반의 온라인 미디어 재조직화 장치 | |
Luo et al. | Let the big data speak: Collaborative model of topic extract and sentiment analysis covid-19 based on weibo data | |
Li et al. | Multi-level emotion cause analysis by multi-head attention based multi-task learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |