CN106997379A - 一种基于图片文本点击量的相近文本的合并方法 - Google Patents

一种基于图片文本点击量的相近文本的合并方法 Download PDF

Info

Publication number
CN106997379A
CN106997379A CN201710165283.9A CN201710165283A CN106997379A CN 106997379 A CN106997379 A CN 106997379A CN 201710165283 A CN201710165283 A CN 201710165283A CN 106997379 A CN106997379 A CN 106997379A
Authority
CN
China
Prior art keywords
text
click
based
step
picture
Prior art date
Application number
CN201710165283.9A
Other languages
English (en)
Inventor
俞俊
谭敏
吴炜晨
Original Assignee
杭州电子科技大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 杭州电子科技大学 filed Critical 杭州电子科技大学
Priority to CN201710165283.9A priority Critical patent/CN106997379A/zh
Publication of CN106997379A publication Critical patent/CN106997379A/zh

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35Clustering; Classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/374Thesaurus
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6218Clustering techniques
    • G06K9/622Non-hierarchical partitioning techniques
    • G06K9/6221Non-hierarchical partitioning techniques based on statistics
    • G06K9/6223Non-hierarchical partitioning techniques based on statistics with a fixed number of clusters, e.g. K-means clustering

Abstract

本发明公开了一种基于图片文本点击量的相近文本的合并方法。本发明包括以下步骤:步骤1:提取查询文本的图像点击特征;步骤2:基于图像相似度矩阵构建点击传播模型,更新点击特征向量,包括:相似度矩阵计算和点击传播模型的构建;步骤3:构建基于热门查询的文本字典;基于查询文本的总的图像点击数,选择点击量相对较高的构成字典;步骤4:基于步骤(3)得到的文本字典,对任意的查询文本利用稀疏编码为其归类。本发明通过改进图像的点击特征向量来提高细粒度分类识别率。

Description

一种基于图片文本点击量的相近文本的合并方法

技术领域

[0001] 本发明涉及图像检索与识别领域,尤其涉及一种基于图片文本点击量的相近文本 的合并方法。

背景技术

[0002] 细粒度分类属于目标识别的一个子领域,其主要目的是对于视觉上非常相似的子 类进行区分。与传统的图像分类相比,细粒度分类显得更具有挑战性,因为许多类别都非常 相似难以区分,而这样的细节难以通过视觉特征区分。为了克服视觉特征的不足,有很多学 者提出了使用点击特征进行细粒度的图像分类。

[0003] 传统的点击特征向量是由图像文本的点击次数直接拼接构成。直接使用它至少会 面临如下挑战:1)图像和文本存在语义鸿沟,相似图片下文本的点击量差异很大;2)点击特 征的维度完全由文本数量决定,而图像检索一般涉及海量查询文本,进而使点击特征的维 度过高。文本合并可以很大程度上缓解这个问题。

[0004] 传统的文本合并是基于文本特征的相似度(如Google ,WordNet),然而文本之间即 使相似,也可能存在较大的语义差别,比如“向前走了很长的路”和“向后走了很长的路”,文 本上差距很小,在意义上却完全相反。

[0005] 因此我们设计了一个基于点击特征的文本合并方法来合并语义相似的文本,以解 决特征向量维度过大的问题。

发明内容

[0006] 本发明的目的在于针对现有文本合并技术的不足,提供一种基于图片文本点击量 的相近文本的合并方法。

[0007] 本发明解决其技术问题所采用的技术方案包括以下步骤:

[0008] 步骤1:提取查询文本的图像点击特征;

[0009] 步骤2:基于图像相似度矩阵构建点击传播模型,更新点击特征向量,包括:相似度 矩阵计算和点击传播模型的构建;

[0010] 步骤3:构建基于热门查询的文本字典;基于查询文本的总的图像点击数,选择点 击量相对较尚的构成字典;

[0011] 步骤4:基于步骤⑶得到的文本字典,对任意的查询文本利用稀疏编码为其归类。

[0012] 步骤1所述的查询文本的图像点击特征向量由图片文本的实际点击量拼接构成:

[0013] 通过Clickture数据集,获得图片的查询文本、点击数据和图片名称。从专类小数 据集DogData获得文本类别标签,图片名称。通过双方相同的图片名称,建立[图片名称,查 询文本,文本标签类,点击量]数据集。而图片特征向量由图片文本的实际点击量拼接构成。

[0014] 实际情况下,很多相似图片真正的点击量差异非常大的。本发明使用点击传播的 思想,针对每个文本,将其在一个图像下的点击量基于相似度值传播给与之相似的图像,使 得文本的图片点击特征趋于合理。

[0015] 步骤2所述的基于相似度的点击传播模型:包括相似度矩阵计算和点击传播模型 的构建。

[0016] 2-1.由于不同图片视觉差异较大,因为点击传播只在相似图片之间进行。首先通 过K均值方法利用相似图片的深度视觉特征对每类相似图片进行聚类,获得若干个图像子 类。

[0017] 通过聚类索引A,获得新的点击特征

Figure CN106997379AD00051

[0019]其中

Figure CN106997379AD00052

是类别j中第i个聚类的点击向量,将初始的点击向量定义为:

Figure CN106997379AD00053

[0021] 2-2.建立相似度矩阵和点击传播模型:基于聚类索引4及传播函数·Ρ,将传播前稀 疏的点击向量转化为传播后较为稠密合理的点击向量& :

Figure CN106997379AD00054

[0023]为了保持点击量与图像视觉特征的相似一致性,构建基于图像相似度的点击传播 模型。在第j类中的第i个聚类,图像相似度矩阵G定义如下:

Figure CN106997379AD00055

[0025] 其中,G^1表示在第j类中的第i个聚类的图像相似度矩阵,(J)1是第i张图的深度视 觉特征是将第i类中第j个子类样本的索引集合。gu,v指代同类中第u张和第V张的文本 相似度。gu ,V通过Jaccard相似度计算获取。

[0026] 利用图像相似度矩阵G,构建如下点击传播模型来更新点击特征:

Figure CN106997379AD00056

[0028] 其中,α是传播系数,E是单位矩阵,

Figure CN106997379AD00057

是归一化之后的数据图,定义如下:

Figure CN106997379AD00058

[0032] 步骤3所述的基于热门查询的文本字典的构建,是基于步骤(2)得到任意文本的传 播后的点击向量k ,选择点击量相对较高的文本构成文本字典:

[0033] 3-1.对所有的查询文本进行初步分类得到每类的文本集另

Figure CN106997379AD00059

[0035] 其中,71代表文本的标签类别,Cu代表第j个文本在第i张图上的点击量。

[0036] 针对每类文本集,选择点击量相对较高的文本构成字典。对于第k类字典Dk,有如 下定义:

Figure CN106997379AD000510

[0038]其中,s是文本集中关于点击量的倒序排列索引。

[0039] 步骤4所述基于稀疏编码的相似文本的合并,基于步骤(3)得到的文本字典,对任 意的查询文本利用稀疏编码为其归类。

[0040] 4-1.稀疏编码:

[0041] 针对第k类文本,每个查询词将会基于字典Dk以稀疏编码方式确定^的线性表示:

Figure CN106997379AD00061

[0043] 其中,T为字典的项数约束比例系数,预测查询词的文本类别f如下所示:

Figure CN106997379AD00062

(公」弋11)

[0045] 4-2.基于传播后点击向量的图像识别

[0046] 基于查询词的文本类别f,得到K类文本集如下:

Figure CN106997379AD00063

[0048]从而为每一张图片建立一个较为紧致的实际点击特征:

Figure CN106997379AD00064

[0050] 这种紧致的图片表征被用于图像识别,每一张图的预测类别,由I-NN算法和上述 模拟点击特征G得到:

Figure CN106997379AD00065

[0052] 本发明有益效果如下:

[0053] 本发明中点击传播模型能够用于预测相近文本点击量,在其他工程中也可作为一 种预测手段。基于热门词汇的构建字典方式,在未来稀疏编码方式中多了一种基本手段。本 发明通过改进图像的点击特征向量来提高细粒度分类识别率。

附图说明

[0054]图1是本发明流程图;

[0055] 图2是针对每类文本集合并的框架图。

具体实施方式

[0056] 下面结合附图和实施例对本发明作进一步说明。

[0057] 如图1和2所示,描述了本发明方法的处理过程框架,包括了传播和基于稀疏的合 并。一种基于图片文本点击量的相近文本的合并方法,具体包括如下步骤:

[0058] 步骤1:提取查询文本的图像点击特征;

[0059] 步骤2:基于图像相似度矩阵构建点击传播模型,更新点击特征向量,包括:相似度 矩阵计算和点击传播模型的构建;

[0060] 步骤3:构建基于热门查询的文本字典;基于查询文本的总的图像点击数,选择点 击量相对较尚的构成字典;

[0061] 步骤4:基于步骤⑶得到的文本字典,对任意的查询文本利用稀疏编码为其归类。

[0062] 步骤1所述的查询文本的图像点击特征向量由图片文本的实际点击量拼接构成:

[0063] 通过Clickture数据集,获得图片的查询文本、点击数据和图片名称。从专类小数 据集DogData获得文本类别标签,图片名称。通过双方相同的图片名称,建立[图片名称,查 询文本,文本标签类,点击量]数据集。而图片特征向量由图片文本的实际点击量拼接构成。

[0064] 实际情况下,很多相似图片真正的点击量差异非常大的。本发明使用点击传播的 思想,针对每个文本,将其在一个图像下的点击量基于相似度值传播给与之相似的图像,使 得文本的图片点击特征趋于合理。

[0065] 步骤2所述的基于相似度的点击传播模型:包括相似度矩阵计算和点击传播模型 的构建。

[0066] 2-1.由于不同图片视觉差异较大,因为点击传播只在相似图片之间进行。首先通 过K均值方法利用相似图片的深度视觉特征对每类相似图片进行聚类,获得若干个图像子 类。

[0067] 通过聚类索引d,获得新的点击特征

Figure CN106997379AD00071

[0069]其中,Vf是类别j中第i个聚类的点击向量,将初始的点击向量定义为:

Figure CN106997379AD00072

[0071] 2-2.建立相似度矩阵和点击传播模型:基于聚类索引A及传播函数P,将传播前稀 疏的点击向量<转化为传播后较为稠密合理的点击向量A :

Figure CN106997379AD00073

[0073]为了保持点击量与图像视觉特征的相似一致性,构建基于图像相似度的点击传播 模型。在第j类中的第i个聚类,图像相似度矩阵G定义如下:

Figure CN106997379AD00074

[0075] 其中,以4表示在第j类中的第i个聚类的图像相似度矩阵,(J)1是第i张图的深度视 觉特征,為,f是将第i类中第j个子类样本的索引集合。gu,v指代同类中第u张和第V张的文本 相似度。gu ,V通过Jaccard相似度计算获取。

[0076] 利用图像相似度矩阵G,构建如下点击传播模型来更新点击特征:

Figure CN106997379AD00075

[0078] 其中,α是传播系数,E是单位矩阵

Figure CN106997379AD00076

是归一化之后的数据图,定义如下:

Figure CN106997379AD00077

[0082] 步骤3所述的基于热门查询的文本字典的构建,是基于步骤(2)得到任意文本的传 播后的点击向量^,选择点击量相对较高的文本构成文本字典:

[0083] 3-1.对所有的查询文本进行初步分类得到每类的文本集$

Figure CN106997379AD00078

[0085] 其中,71代表文本的标签类别,Cu代表第j个文本在第i张图上的点击量。

[0086] 针对每类文本集,选择点击量相对较高的文本构成字典。对于第k类字典Dk,有如 下定义:

Figure CN106997379AD00081

[0088] 其中,s是文本集中关于点击量的倒序排列索引。

[0089] 步骤4所述基于稀疏编码的相似文本的合并,基于步骤(3)得到的文本字典,对任 意的查询文本利用稀疏编码为其归类。

[0090] 4-1.稀疏编码:

[0091] 针对第k类文本,每个查询词将会基于字典Dk以稀疏编码方式确定;的线性表示:

Figure CN106997379AD00082

[0093] 其中,T为字典的项数约束比例系数,预测查询词的文本类别/如下所示:

Figure CN106997379AD00083

[0095] 4-2.基于传播后点击向量的图像识别

[0096] 基于查询词的文本类别得到K类文本集如下:

Figure CN106997379AD00084

[0098]从而为每一张图片建立一个较为紧致的实际点击特征:

Figure CN106997379AD00085

[0100] 这种紧致的图片表征被用于图像识别,每一张图的预测类别步由I-NN算法和上述 模拟点击特征ί得到:

Figure CN106997379AD00086

[0102] 实施例I:

[0103] 一、实验设置

[0104] 用基于合并文本的点击特征的图像识别率来评估我们的文本合并方法。我们采用 1 一 NN分类器来统计识别率。

[0105] 得到数据集后,将其分为3部分:50 %训练集,30 %验证集,20 %测试集。

[0106] 二、传播的点击特征

[0107] 通过对比传播后的点击特征和原始特征的识别率来评估我们的传播模型。传播有 2种:基于相似度矩阵的带权传播(Prop-W)和平均传播(Prop-E)。其中平均传播则是将点击 均衡传播给同一类中相似的图片。

[0108] 另外,在不同传播比率α下,我们将平均传播(Prop-E)和带权传播(Prop-W)进行对 比,结果如下所示。

[0109] 表一:两种传播方法的对比

Figure CN106997379AD00087

[0111] 从表一能够看出带权传播的识别率普遍高于平均传播。为了最大化识别率,在如 下实验中,设置α = 0.4。

Figure CN106997379AD00091

[0112] 将带权传播(Prop-W)与其他方法作比较,结果如下所示。

[0113] 表二:不同方法下识别率的比较

Figure CN106997379AD00092

[0115] 从表二能够看出带权传播的文本合并效果优于其他方法。

[0116] 三:基于稀疏编码的合并

[0117] 基于传播的点击特征向量,利用“热词”构建文本字典,并利用稀疏编码对文本进 行分类,进而合并相近(同类)文本。

[0118] 由于类间差异大,仅考虑类内查询文本的合并。对于每一个文本类别,定义γ来控 制字典的大小,并选取其中点击量最高的nk= γ ΙμΙ/Ρ个样本作为字典。

[0119] 3-1. —些参数的影响

[0120] 众所周知,稀疏编码需要一个健全完备的字典,然而这样的字典并不适用于样本 数量太少的类别。因此,我们定义了阈值Θ,针对样本数量大于Θ的类别采用稀疏编码的方法 合并文本,其余类别利用K-均值聚类合并。

[0121] 在θ = 1〇〇〇,Ρ=1的情况下(P为每个类别中需要取到字典中的样本个数),首先测 试不同γ在相同T下的影响(τ为字典数量的约束项,这里以比例表示),经测试,得到最优秀 的γ =0.15。接下来,测试不同T和P的影响,得到当Ρ = 5,Τ = 4%时识别率最高。

[0122] 在确定了最优参数后,开始测试Θ的影响。当Θ增加,更多类的文本将利用稀疏编码 进行合并,反之则提尚。

[0123] 3-2.将上述方法和常规K-均值的文本合并做对比,在字典学习上,KSVD方法和“热 词”作对比。在多项字典学习(ρ>1)和单项字典学习作对比(P = I),结果如下:

[0124] 表三:KSVD和热词方法的比较

Figure CN106997379AD00093

[0126] 其中带*号的代表单项字典学习,HOT代表“热词”方法,可以看出,多字典学习,并 且使用“热词”方法可以较为有效地提高文本合并效果。

Claims (5)

1. 一种基于图片文本点击量的相近文本的合并方法,其特征在于包括以下步骤: 步骤1:提取查询文本的图像点击特征; 步骤2:基于图像相似度矩阵构建点击传播模型,更新点击特征向量,包括:相似度矩阵 计算和点击传播模型的构建; 步骤3:构建基于热门查询的文本字典;基于查询文本的总的图像点击数,选择点击量 相对较高的构成字典; 步骤4:基于步骤⑶得到的文本字典,对任意的查询文本利用稀疏编码为其归类。
2. 根据权利要求1所述的一种基于图片文本点击量的相近文本的合并方法,其特征在 于步骤1所述的查询文本的图像点击特征向量由图片文本的实际点击量拼接构成: 通过Clickture数据集,获得图片的查询文本、点击数据和图片名称;从专类小数据集 DogData获得查询文本的类别标签、图片名称;通过双方相同的图片名称,建立[图片名称, 查询文本,文本标签类,点击量]数据集;而图片特征向量由图片文本的实际点击量拼接构 成。
3. 根据权利要求1所述的一种基于图片文本点击量的相近文本的合并方法,其特征在 于步骤2所述的基于相似度的点击传播模型:包括相似度矩阵计算和点击传播模型的构建; 2-1.首先通过K均值方法利用相似图片的深度视觉特征对每类相似图片进行聚类,获 得若干个图像子类; 通过聚类索引Z,获得新的点击特征
Figure CN106997379AC00021
其中,Vf是类别j中第i个聚类的点击向量,将初始的点击向量定义为:
Figure CN106997379AC00022
2-2.建立相似度矩阵和点击传播模型:基于聚类索引乂及传播函数P,将传播前稀疏的 点击向量转化为传播后较为稠密合理的点击向量I::
Figure CN106997379AC00023
为了保持点击量与图像视觉特征的相似一致性,构建基于图像相似度的点击传播模 型;在第j类中的第i个聚类,图像相似度矩阵G定义如下:
Figure CN106997379AC00024
其中,G^1表示在第j类中的第i个聚类的图像相似度矩阵,(J)1是第i张图的深度视觉特 征,Λ,是将第i类中第j个子类样本的索引集合;gu,v指代同类中第u张和第V张的文本相似 度;gu,v通过Jaccard相似度计算获取; 利用图像相似度矩阵G,构建如下点击传播模型来更新点击特征:
Figure CN106997379AC00025
其中,α是传播系数,E是单位矩阵,
Figure CN106997379AC00026
是归一化之后的数据图,定义如下:
Figure CN106997379AC00027
其中,M^1为如下对角矩阵:
Figure CN106997379AC00031
4. 根据权利要求3所述的一种基于图片文本点击量的相近文本的合并方法,其特征在 于步骤3所述的基于热门查询的文本字典的构建,是基于步骤(2)得到任意文本的传播后的 点击向量
Figure CN106997379AC00032
选择点击量相对较高的文本构成文本字典: 3- 1.对所有的查询文本进行初步分类得到每类的文本集%
Figure CN106997379AC00033
其中,71代表文本的标签类别,q代表第j个文本在第i张图上的点击量; 针对每类文本集,选择点击量相对较高的文本构成字典;对于第k类字典Dk,有如下定 义:
Figure CN106997379AC00034
其中,s是文本集中关于点击量的倒序排列索引。
5. 根据权利要求4所述的一种基于图片文本点击量的相近文本的合并方法,其特征在 于步骤4所述基于稀疏编码的相似文本的合并,基于步骤(3)得到的文本字典,对任意的查 询文本利用稀疏编码为其归类; 4_1.稀疏编码: 针对第k类文本,每个查询词将会基于字典Dk以稀疏编码方式确定
Figure CN106997379AC00035
的线性表示:
Figure CN106997379AC00036
其中,T为字典的项数约束比例系数,预测查询词的文本类别I如下所示:
Figure CN106997379AC00037
4- 2.基于传播后点击向量的图像识别 基于查询词的文本类别ί .,得到K类文本集如下:
Figure CN106997379AC00038
从而为每一张图片建立一个较为紧致的实际点击特征:
Figure CN106997379AC00039
这种紧致的图片表征被用于图像识别,每一张图的预测类别j>Sl-NN算法和上述模拟 点击特征得到:
Figure CN106997379AC000310
Figure CN106997379AC000311
CN201710165283.9A 2017-03-20 2017-03-20 一种基于图片文本点击量的相近文本的合并方法 CN106997379A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710165283.9A CN106997379A (zh) 2017-03-20 2017-03-20 一种基于图片文本点击量的相近文本的合并方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710165283.9A CN106997379A (zh) 2017-03-20 2017-03-20 一种基于图片文本点击量的相近文本的合并方法

Publications (1)

Publication Number Publication Date
CN106997379A true CN106997379A (zh) 2017-08-01

Family

ID=59431029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710165283.9A CN106997379A (zh) 2017-03-20 2017-03-20 一种基于图片文本点击量的相近文本的合并方法

Country Status (1)

Country Link
CN (1) CN106997379A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036012A (zh) * 2014-06-24 2014-09-10 中国科学院计算技术研究所 字典学习、视觉词袋特征提取方法及检索系统
CN106021362A (zh) * 2016-05-10 2016-10-12 百度在线网络技术(北京)有限公司 查询式的图片特征表示的生成、图片搜索方法和装置
WO2016183539A1 (en) * 2015-05-14 2016-11-17 Walleye Software, LLC Data partitioning and ordering
CN106445989A (zh) * 2016-06-03 2017-02-22 新乡学院 基于查询点击图的检索推荐模型优化

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036012A (zh) * 2014-06-24 2014-09-10 中国科学院计算技术研究所 字典学习、视觉词袋特征提取方法及检索系统
WO2016183539A1 (en) * 2015-05-14 2016-11-17 Walleye Software, LLC Data partitioning and ordering
CN106021362A (zh) * 2016-05-10 2016-10-12 百度在线网络技术(北京)有限公司 查询式的图片特征表示的生成、图片搜索方法和装置
CN106445989A (zh) * 2016-06-03 2017-02-22 新乡学院 基于查询点击图的检索推荐模型优化

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YU J等: "Learning to rank using user clicks and visual features for image", 《IEEE TRANS CYBERN》 *
YUN CHEN等: "Click-through-based Word Embedding for Large", 《2016 IEEE SECOND INTERNATIONAL CONFERENCE ON MULTIMEDIA BIG DATA》 *

Similar Documents

Publication Publication Date Title
Yu et al. Learning to rank using user clicks and visual features for image retrieval
Regelson et al. Predicting click-through rate using keyword clusters
US7949643B2 (en) Method and apparatus for rating user generated content in search results
Pang et al. Text matching as image recognition
US8280877B2 (en) Diverse topic phrase extraction
CN103258000B (zh) 对网页中高频关键词进行聚类的方法及装置
Huang et al. An improved image segmentation algorithm based on the Otsu method
AU2014201827B2 (en) Scoring concept terms using a deep network
CN101127042A (zh) 一种基于语言模型的情感分类方法
CN105279495B (zh) 一种基于深度学习和文本总结的视频描述方法
CN101814083A (zh) 网页自动分类方法和系统
CN103049435B (zh) 文本细粒度情感分析方法及装置
CN101488150A (zh) 一种实时多角度网络热点事件分析装置及分析方法
CN103678278A (zh) 一种中文文本情感识别方法
CN104679863A (zh) 一种基于深度学习的以图搜图方法和系统
US7831111B2 (en) Method and mechanism for retrieving images
CN100492399C (zh) 利用降维方法进行人脸姿态估计的方法
CN104281882A (zh) 基于用户特征的预测社交网络信息流行度的方法及系统
US7583839B2 (en) Method and mechanism for analyzing the texture of a digital image
CN103150374A (zh) 一种识别微博异常用户的方法和系统
CN101251862B (zh) 一种基于内容的问题自动分类方法及其系统
CN104615767B (zh) 搜索排序模型的训练方法、搜索处理方法及装置
Lu et al. Selective transfer learning for cross domain recommendation
Huang et al. Naive Bayes classification algorithm based on small sample set
Hennig et al. Distance-based parametric bootstrap tests for clustering of species ranges

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination