CN107247774A - 一种面向群智多模态数据的处理方法及系统 - Google Patents
一种面向群智多模态数据的处理方法及系统 Download PDFInfo
- Publication number
- CN107247774A CN107247774A CN201710425106.XA CN201710425106A CN107247774A CN 107247774 A CN107247774 A CN 107247774A CN 201710425106 A CN201710425106 A CN 201710425106A CN 107247774 A CN107247774 A CN 107247774A
- Authority
- CN
- China
- Prior art keywords
- data
- gunz
- hash
- image
- text
- 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.)
- Pending
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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种面向群智多模态数据的处理方法及系统，首先提取社交网络群智数据中文本数据的文本特征和图像数据的图像特征，并基于图像特征对图像数据进行聚类；然后基于提取的文本特征和图像特征进行哈希编码；最后计算文本数据哈希编码和图像数据哈希编码的海明距离，并将每一类图像中海明距离最小的图像数据加入优选数据集合；根据群智数据中的文本数据，结合聚类以及跨模态数据关联的方法，对群智数据中的图像数据进行优选，在保证数据语义相关性的同时，提高了数据的多样性。
Description
技术领域
本发明涉及群智数据筛选领域，特别涉及一种面向群智多模态数据的处理方法及系统。
背景技术
近年来，随着社交媒体，如微博，Twitter等为代表的社交网络的快速发展，网络上产生了越来越多的用户生成内容，用户生成内容可视为互联网时代中具有代表性的一类群智数据。社交媒体中的群智数据类型主要有文本、图像、视频、音频四大类，其中以文本和图像数据最为常见。由于社交媒体用户众多，平台开放性强，这导致来源于社交媒体的群智数据丰富却冗杂。目前，已有大量相关技术用于选择代表性的文本数据。
目前也有一部分的研究实现了跨模态数据的检索：专利CN105205096A 提出了一种跨文本模态和图像模态的数据检索方法，该专利将文本模态数据和图像模态数据的语义向量作为逻辑斯特回归分类器的输出表达,将主亲和力非线性表达中心化后作为输入表达来进行训练,得到多个分类函数，当用户需要检索文本或者图像模态数据样本时,分别计算主亲和力并输入到所述分类函数中,得到文本或者图像模态数据样本的语义层表达,然后归一化处理生成最终表达，利用内积距离计算公式计算检索结果。专利CN103559192A公开了一种基于跨模态稀疏主题建模的跨媒体检索方法，利用联合分析及稀疏关联的方法提供跨模态数据在同一稀疏主题空间内的表示，进而进行跨模态信息检索。专利 CN104462489A公开了一种基于深层模型的跨模态检索方法，通过堆叠对应的受限波尔兹曼机Corr-RBMs深层模型获得目标检索模态的高级表达向量和检索库中每一个被检索模态的高级表达向量，利用目标检索模态的高级表达向量和检索库中每一个被检索模态的高级表达向量计算目标检索模态与检索库中每一个被检索模态的距离以进行信息检索。
这些专利都只考虑了跨模态信息检索，并没有考虑基于跨模态数据关联的数据优选，获得的结果缺乏多样性。
发明内容
本发明的目的是，为了克服现有的跨模态数据检索方法获得的结果缺乏多样性的技术缺陷，提供了一种面向群智多模态数据的处理方法及系统。
为实现上述目的，本发明提供了如下方案：
一种面向群智多模态数据的处理方法，包括如下步骤：
获取社交网络中用户生成内容作为群智数据；
根据群智数据中的文本数据提取文本特征；
根据群智数据中的图像数据提取图像特征；
基于提取的所述图像特征，对图像数据进行聚类；
基于提取的所述文本特征，对文本数据进行哈希编码，得到第一哈希编码；
基于提取的图像特征，对聚类后的每类图像数据的进行哈希编码，得到第二哈希编码；
对每一类图像数据，计算所述第一哈希编码与所述第二哈希编码的海明距离，选取海明距离最小的图像数据加入优选数据集合。
优选地，所述提取文本特征的步骤具体包括：对群智数据中的文本数据，利用LDA(Latent Dirichlet Allocation)提取文本内容的话题分布作为特征向量，将LDA中话题个数定为n，得到维数为n的特征向量，作为文本特征。
优选地，所述提取图像特征的步骤具体包括：
对于群智数据中的图像数据，利用SIFT(Scale Invariant Feature Transform，尺度不变特征变换匹配算法)算法从图像中提取特征点；
使用K-Means聚类算法对特征点进行聚类，得到词袋模型的单词表，将 K-Means的聚类个数定义为m，得到大小为m的单词表；
基于单词表对每一张图像计算其m维的TF-IDF(Term Frequency–InverseDocument Frequency)词向量作为图像特征。
优选的，所述对图像数据聚类的步骤具体包括：利用K-Means聚类算法将图像数据聚为R类。
优选地，所述对文本数据进行哈希编码的步骤具体包括：基于提取的文本特征，利用跨模态哈希学习算法SCM-seq，采用哈希映射的方式，计算文本数据的哈希编码，得到第一哈希编码。
优选地，所述对图像数据进行哈希编码的步骤具体包括：基于提取的图像特征，对每类图像数据，利用跨模态哈希学习算法SCM-seq，采用哈希映射的方式，计算图像数据的哈希编码，得到第二哈希编码。
本发明还提供了一种面向群智多模态数据的处理系统，包括提取模块、聚类模块、哈希编码模块和选取模块；
所述提取模块，用于根据群智数据中的文本数据提取文本特征，并根据群智数据中的图像数据提取图像特征；
所述聚类模块，用于基于提取的所述图像特征，对图像数据进行聚类；
哈希编码模块，用于基于提取的所述文本特征，对文本数据进行哈希编码，得到第一哈希编码；并基于提取的图像特征，对聚类后的每类图像数据的进行哈希编码，得到第二哈希编码；
选取模块，用于对每一类图像数据，计算所述第一哈希编码与所述第二哈希编码的海明距离，选取海明距离最小的图像数据加入优选数据集合。
优选地，所述提取模块，用于对群智数据中的文本数据，利用LDA提取文本内容的话题分布作为特征向量，将LDA中话题个数定为n，得到维数为n 的特征向量，作为文本特征，对于群智数据中的图像数据，利用SIFT算法从图像中提取特征点，使用K-Means聚类算法对特征点进行聚类，得到词袋模型的单词表，将K-Means的聚类个数定义为m，得到大小为m的单词表，并基于单词表对每一张图像计算其m维的TF-IDF词向量作为图像特征。
优选地，所述聚类模块，用于利用K-Means聚类算法将图像数据聚为R 类。
优选地，所述哈希编码模块，用于基于提取的文本特征，利用跨模态哈希学习算法SCM-seq，采用哈希映射的方式，计算文本数据的哈希编码，得到第一哈希编码，基于提取的图像特征，对每类图像数据，利用跨模态哈希学习算法SCM-seq，采用哈希映射的方式，计算图像数据的哈希编码，得到第二哈希编码。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
发明公开了一种面向群智多模态数据的处理方法及系统，基于跨模态数据的关联进行数据优选，根据群智数据中的代表性文本数据，结合聚类及跨模态数据关联的方法，对群智数据中的图像数据进行优选，在保证数据语义相关性的同时还提高了数据的多样性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种面向群智多模态数据的处理方法的一个实施例的流程图。
图2为本发明提供的一种面向群智多模态数据的处理方法的另一个实施例的流程图。
图3为本发明提供的一种面向群智多模态数据的处理系统的结构框图。
具体实施方式
本发明的目的是提供一种面向群智多模态数据的处理方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，作为一种可实施方式，一种面向群智多模态数据的处理方法，包括如下步骤：
S1、获取社交网络中用户生成内容作为群智数据；
S2、根据群智数据中的文本数据提取文本特征；
S3、根据群智数据中的图像数据提取图像特征；
S4、基于提取的所述图像特征，对图像数据进行聚类；
S5、基于提取的所述文本特征，对文本数据进行哈希编码，得到第一哈希编码；
S6、基于提取的图像特征，对聚类后的每类图像数据的进行哈希编码，得到第二哈希编码；
S7、对每一类图像数据，计算所述第一哈希编码与所述第二哈希编码的海明距离，选取海明距离最小的图像数据加入优选数据集合。
如图2所示，优选地，作为一种可实施方式，步骤S2所述的提取文本特征的步骤具体包括：对群智数据中的文本数据，利用LDA提取文本内容的话题分布作为特征向量，将LDA中话题个数定为n，得到维数为n的特征向量，作为文本特征，优选地，将LDA中话题个数定为10。
步骤S3所述的提取图像特征的步骤具体包括：
对于群智数据中的图像数据，利用SIFT算法从图像中提取特征点；
使用K-Means聚类算法对特征点进行聚类，得到词袋模型的单词表，将 K-Means的聚类个数定义为m，得到大小为m的单词表，优选地，将K-Means 的聚类个数定义为128；
基于单词表对每一张图像计算其m维的TF-IDF词向量作为图像特征。
步骤S4所述的对图像数据聚类的步骤具体包括：利用K-Means聚类算法将图像数据聚为R类，优选地，将图像数据聚类为3类。
步骤S5所述的对文本数据进行哈希编码的的步骤具体包括：基于提取的文本特征，利用跨模态哈希学习算法SCM-seq，采用哈希映射的方式，计算文本数据的哈希编码，得到第一哈希编码，优选地，经过哈希映射后得到的第一哈希编码为8位数据编码，具体为11000101。
步骤S6所述的对图像数据进行哈希编码的步骤具体包括：基于提取的图像特征，对每类图像数据，利用跨模态哈希学习算法SCM-seq，采用哈希映射的方式，计算图像数据的哈希编码，得到第二哈希编码，优选地，经过哈希映射后得到的第二哈希编码为8位数据编码，具体的3类图像数据集合的哈希编码分别为：{a＝1 1 1 1 1 1 1 0,b＝1 1 0 1 0 10 1},
{c＝1 1 1 0 1 1 1 0,e＝0 0 0 0 1 0 1 0,f＝1 0 1 0 0 0 1 0},
{g＝1 0 1 0 1 0 1 0,h＝1 1 1 0 1 0 1 0,l＝1 1 1 0 0 0 0 0}。
步骤S7所述的获取优选数据集合的步骤具体包括：对于R类图像中每一类图像集合Ci，对于图像集合Ci中的每一张图像yi，计算图像yi的哈希编码 (第二哈希编码)与文本数据哈希编码(第一哈希编码)的海明距离，选择图像集合Ci中与文本数据哈希编码海明距离最小的图像加入优选图像集合，最终可得到R张优选图像，优选地，最终的优选图像数据集合为{b，c，l}。
如图3所示，一种面向群智多模态数据的处理系统，包括提取模块1、聚类模块2、哈希编码模块3和选取模块4；
所述提取模块1，用于根据群智数据中的文本数据提取文本特征，并根据群智数据中的图像数据提取图像特征；
所述聚类模块2，用于基于提取的所述图像特征，对图像数据进行聚类；
哈希编码模块3，用于基于提取的所述文本特征，对文本数据进行哈希编码，得到第一哈希编码；并基于提取的图像特征，对聚类后的每类图像数据的进行哈希编码，得到第二哈希编码；
选取模块4，用于对每一类图像数据，计算所述第一哈希编码与所述第二哈希编码的海明距离，选取海明距离最小的图像数据加入优选数据集合。
优选地，所述提取模块1，用于对群智数据中的文本数据，利用LDA提取文本内容的话题分布作为特征向量，将LDA中话题个数定为n，得到维数为n的特征向量，作为文本特征，对于群智数据中的图像数据，利用SIFT算法从图像中提取特征点，使用K-Means聚类算法对特征点进行聚类，得到词袋模型的单词表，将K-Means的聚类个数定义为m，得到大小为m的单词表，并基于单词表对每一张图像计算其m维的TF-IDF词向量作为图像特征。
优选地，所述聚类模块2，用于利用K-Means聚类算法将图像数据聚为R 类。
优选地，所述哈希编码模块3，用于基于提取的文本特征，利用跨模态哈希学习算法SCM-seq，采用哈希映射的方式，计算文本数据的哈希编码，得到第一哈希编码，基于提取的图像特征，对每类图像数据，利用跨模态哈希学习算法SCM-seq，采用哈希映射的方式，计算图像数据的哈希编码，得到第二哈希编码。
本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Claims (10)
1.一种面向群智多模态数据的处理方法，其特征在于，包括如下步骤：
获取社交网络中用户生成内容作为群智数据；
根据群智数据中的文本数据提取文本特征；
根据群智数据中的图像数据提取图像特征；
基于提取的所述图像特征，对图像数据进行聚类；
基于提取的所述文本特征，对文本数据进行哈希编码，得到第一哈希编码；
基于提取的图像特征，对聚类后的每类图像数据的进行哈希编码，得到第二哈希编码；
对每一类图像数据，计算所述第一哈希编码与所述第二哈希编码的海明距离，选取海明距离最小的图像数据加入优选数据集合。
2.根据权利要求1所述的一种面向群智多模态数据的处理方法，其特征在于，所述提取文本特征的步骤具体包括：对群智数据中的文本数据，利用LDA提取文本内容的话题分布作为特征向量，将LDA中话题个数定为n，得到维数为n的特征向量，作为文本特征。
3.根据权利要求1所述的一种面向群智多模态数据的处理方法，其特征在于，所述提取图像特征的步骤具体包括：
对于群智数据中的图像数据，利用SIFT算法从图像中提取特征点；
使用K-Means聚类算法对特征点进行聚类，得到词袋模型的单词表，将K-Means的聚类个数定义为m，得到大小为m的单词表；
基于单词表对每一张图像计算其m维的TF-IDF词向量作为图像特征。
4.根据权利要求1所述的一种面向群智多模态数据的处理方法，其特征在于，所述对图像数据聚类的步骤具体包括：利用K-Means聚类算法将图像数据聚为R类。
5.根据权利要求1所述的一种面向群智多模态数据的处理方法，其特征在于，所述对文本数据进行哈希编码的的步骤具体包括：基于提取的文本特征，利用跨模态哈希学习算法SCM-seq，采用哈希映射的方式，计算文本数据的哈希编码，得到第一哈希编码。
6.根据权利要求1所述的一种面向群智多模态数据的处理方法，其特征在于，所述对图像数据进行哈希编码的步骤具体包括：基于提取的图像特征，对每类图像数据，利用跨模态哈希学习算法SCM-seq，采用哈希映射的方式，计算图像数据的哈希编码，得到第二哈希编码。
7.一种面向群智多模态数据的处理系统，其特征在于，包括提取模块、聚类模块、哈希编码模块和选取模块；
所述提取模块，用于根据群智数据中的文本数据提取文本特征，并根据群智数据中的图像数据提取图像特征；
所述聚类模块，用于基于提取的所述图像特征，对图像数据进行聚类；
哈希编码模块，用于基于提取的所述文本特征，对文本数据进行哈希编码，得到第一哈希编码；并基于提取的图像特征，对聚类后的每类图像数据进行哈希编码，得到第二哈希编码；
选取模块，用于对每一类图像数据，计算所述第一哈希编码与所述第二哈希编码的海明距离，选取海明距离最小的图像数据加入优选数据集合。
8.根据权利要求7所述的一种面向群智多模态数据的处理系统，其特征在于，所述提取模块，用于对群智数据中的文本数据，利用LDA提取文本内容的话题分布作为特征向量，将LDA中话题个数定为n，得到维数为n的特征向量，作为文本特征，对于群智数据中的图像数据，利用SIFT算法从图像中提取特征点，使用K-Means聚类算法对特征点进行聚类，得到词袋模型的单词表，将K-Means的聚类个数定义为m，得到大小为m的单词表，并基于单词表对每一张图像计算其m维的TF-IDF词向量作为图像特征。
9.根据权利要求7所述的一种面向群智多模态数据的处理系统，其特征在于，所述聚类模块，用于利用K-Means聚类算法将图像数据聚为R类。
10.根据权利要求7所述的一种面向群智多模态数据的处理系统，其特征在于，所述哈希编码模块，用于基于提取的文本特征，利用跨模态哈希学习算法SCM-seq，采用哈希映射的方式，计算文本数据的哈希编码，得到第一哈希编码，基于提取的图像特征，对每类图像数据，利用跨模态哈希学习算法SCM-seq，采用哈希映射的方式，计算图像数据的哈希编码，得到第二哈希编码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710425106.XA CN107247774A (zh) | 2017-06-08 | 2017-06-08 | 一种面向群智多模态数据的处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710425106.XA CN107247774A (zh) | 2017-06-08 | 2017-06-08 | 一种面向群智多模态数据的处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107247774A true CN107247774A (zh) | 2017-10-13 |
Family
ID=60019143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710425106.XA Pending CN107247774A (zh) | 2017-06-08 | 2017-06-08 | 一种面向群智多模态数据的处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107247774A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729513A (zh) * | 2017-10-25 | 2018-02-23 | 鲁东大学 | 基于语义对齐的离散监督跨模态哈希检索方法 |
| CN110456985A (zh) * | 2019-07-02 | 2019-11-15 | 华南师范大学 | 面向多模态网络大数据的层次型存储方法及系统 |
| CN110750663A (zh) * | 2019-10-08 | 2020-02-04 | 浙江工业大学 | 一种面向生活记录的跨模态图像检索方法 |
| CN111143625A (zh) * | 2019-09-03 | 2020-05-12 | 西北工业大学 | 一种半监督多模态哈希编码方法 |
| CN111341437A (zh) * | 2020-02-21 | 2020-06-26 | 山东大学齐鲁医院 | 基于舌图像的消化道疾病判断辅助系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016033676A1 (en) * | 2014-09-02 | 2016-03-10 | Netra Systems Inc. | System and method for analyzing and searching imagery |
| CN105469096A (zh) * | 2015-11-18 | 2016-04-06 | 南京大学 | 一种基于哈希二值编码的特征袋图像检索方法 |
| CN105893573A (zh) * | 2016-03-31 | 2016-08-24 | 天津大学 | 一种基于地点的多模态媒体数据主题提取模型 |
| CN106547826A (zh) * | 2016-09-30 | 2017-03-29 | 西安电子科技大学 | 一种跨模态检索方法、装置及计算机可读介质 |
-
2017
- 2017-06-08 CN CN201710425106.XA patent/CN107247774A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016033676A1 (en) * | 2014-09-02 | 2016-03-10 | Netra Systems Inc. | System and method for analyzing and searching imagery |
| CN105469096A (zh) * | 2015-11-18 | 2016-04-06 | 南京大学 | 一种基于哈希二值编码的特征袋图像检索方法 |
| CN105893573A (zh) * | 2016-03-31 | 2016-08-24 | 天津大学 | 一种基于地点的多模态媒体数据主题提取模型 |
| CN106547826A (zh) * | 2016-09-30 | 2017-03-29 | 西安电子科技大学 | 一种跨模态检索方法、装置及计算机可读介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729513A (zh) * | 2017-10-25 | 2018-02-23 | 鲁东大学 | 基于语义对齐的离散监督跨模态哈希检索方法 |
| CN107729513B (zh) * | 2017-10-25 | 2020-12-01 | 鲁东大学 | 基于语义对齐的离散监督跨模态哈希检索方法 |
| CN110456985A (zh) * | 2019-07-02 | 2019-11-15 | 华南师范大学 | 面向多模态网络大数据的层次型存储方法及系统 |
| CN111143625A (zh) * | 2019-09-03 | 2020-05-12 | 西北工业大学 | 一种半监督多模态哈希编码方法 |
| CN111143625B (zh) * | 2019-09-03 | 2023-04-25 | 西北工业大学 | 一种基于半监督多模态哈希编码的跨模态检索方法 |
| CN110750663A (zh) * | 2019-10-08 | 2020-02-04 | 浙江工业大学 | 一种面向生活记录的跨模态图像检索方法 |
| CN110750663B (zh) * | 2019-10-08 | 2021-11-23 | 浙江工业大学 | 一种面向生活记录的跨模态图像检索方法 |
| CN111341437A (zh) * | 2020-02-21 | 2020-06-26 | 山东大学齐鲁医院 | 基于舌图像的消化道疾病判断辅助系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108132968B (zh) | 网络文本与图像中关联语义基元的弱监督学习方法 | |
| Chang et al. | Heterogeneous network embedding via deep architectures | |
| CN110598130B (zh) | 一种融合异构信息网络和深度学习的电影推荐方法 | |
| CN106776673B (zh) | 多媒体文档概括 | |
| CN107247774A (zh) | 一种面向群智多模态数据的处理方法及系统 | |
| CN104462385B (zh) | 一种基于用户兴趣模型的电影个性化相似度计算方法 | |
| Sun et al. | Discovering affective regions in deep convolutional neural networks for visual sentiment prediction | |
| CN112084331A (zh) | 文本处理、模型训练方法、装置、计算机设备和存储介质 | |
| CN109947987B (zh) | 一种交叉协同过滤推荐方法 | |
| CN113076476B (zh) | 一种微博异构信息的用户画像构建方法 | |
| Amplayo | Rethinking attribute representation and injection for sentiment classification | |
| CN110781407A (zh) | 用户标签生成方法、装置及计算机可读存储介质 | |
| Zhao et al. | Learning visual emotion distributions via multi-modal features fusion | |
| CN112417313A (zh) | 一种基于知识图卷积网络的模型混合推荐方法 | |
| CN104199836B (zh) | 一种基于子兴趣划分的标注用户模型建构方法 | |
| Xu et al. | Multi-label learning with fused multimodal bi-relational graph | |
| Papadopoulos et al. | Image clustering through community detection on hybrid image similarity graphs | |
| CN105869058B (zh) | 一种多层潜变量模型用户画像提取的方法 | |
| Nie et al. | Cross-domain semantic transfer from large-scale social media | |
| CN104778272B (zh) | 一种基于区域挖掘和空间编码的图像位置估计方法 | |
| Chen et al. | Edge data based trailer inception probabilistic matrix factorization for context-aware movie recommendation | |
| CN105357583A (zh) | 一种发现智能电视用户兴趣偏好的方法和装置 | |
| Su et al. | Semantically guided projection for zero-shot 3D model classification and retrieval | |
| Li et al. | A rank aggregation framework for video multimodal geocoding | |
| CN109670071B (zh) | 一种序列化多特征指导的跨媒体哈希检索方法和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171013 |