CN110059222A - 一种基于协同过滤的视频标签添加方法 - Google Patents

Abstract

本发明公开了一种基于协同过滤的视频标签添加方法，具体包括：从影评中提取关键词来补充视频的原始标签集合，利用奇异值分解来刻画视频对标签的偏好并构造视频对标签偏好的模型，引入描述视频与标签的反馈作用的变量来扩展视频对标签偏好的模型，利用模糊聚类得到标签组，引入描述标签组的隐向量和隶属度关系的变量得到最终的视频对标签偏好的模型，计算表征视频对视频标签偏好的倾向值，根据偏好值的排序将对应标签补充给视频。本发明通过从影评提取关键词补充视频标签丰富了原始视频标签集合，通过奇异值分解、加入标签的共现关系、标签的语义信息使得模型更准确，提高了标签对视频描述的准确性；本发明占用计算资源小，执行效率高。

Description

一种基于协同过滤的视频标签添加方法

技术领域

本发明涉及人工智能领域，更具体地，涉及一种基于协同过滤的视频标签添加方法。

背景技术

近年来，互联网资源呈指数式增长，视频内容在网络上也逐渐丰富。在线视频数量极速增长的背景下，人们面对琳琅满目的视频、电影，不知道如何寻找自己想观看的一部。视频标签是一种对视频内容进行分类和高度概括的方法。一方面，视频标签为视频观看者提供了检索迎合自己兴趣的视频的方法；另一方面，视频标签使得在线电影平台能够更好地对视频资源分类、管理与推荐。因此，对于在线视频来讲，对其精准、有效地标注上标签是非常有价值、有必要的。大体上说，视频标签分为两种标注方法：一种是人工标注；另一种是设计有效的算法对视频进行自动标注。

然而对于平台管理者来说，面对日益增长的视频数量，标签人工标注是一个巨大的挑战。人工打标签有两大困境。一方面，人工打标签是在观看视频的基础上进行的，在线平台上巨大的视频量消耗人们大量的时间精力；另一方面，人工标签可能会出现不准确的情况，每个观看者打标签的依据不同，人工打标签具有较强的主观性。因此我们迫切需要一种视频自动补充标签方法，来解决上述问题。在近期的研究中，视频的自动标签技术取得了较大突破，一种通用的做法是：基于视频的内容，对视频的相似性进行度量，并且设计标签传播算法，在相似的视频之间进行标签传播。这种做法的优势是对于视频来说自动生成的标签比较准确，在以往的研究中取得不错的效果。

对于时长较长的视频，如电影这类商业视频，自动补充标签面临的难点在于，第一，时常较长，比较两部视频内容的相似性存在较大困难，一般的短视频可以通过比较视频的每一帧的方式来度量相似度，电影这类视频通常在一个半小时以上，逐帧比较的方式计算上是不可行的；第二，电影是具有故事性、情节完整性、和内容丰富性特点的视频，两部完全不相似的电影可能会有部分重叠的标签，甚至拥有完全一致的标签，因此不适合用视频帧相似度进行简单的标签传播，我们需要设计新的更有效的自动补充标签算法。

发明内容

本发明为克服上述现有技术中视频标签补充方法效率低，准确性差的缺陷，提供一种基于协同过滤的视频标签添加方法。

本发明旨在至少在一定程度上解决上述技术问题。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

一种基于协同过滤的视频标签添加方法，所述方法包括：

S1：从影评数据中提取关键词补充到原始的标签集合中，构造出扩充后的视频标签集合，其中原始的标签集合记为从影评中提取关键词补充的影评标签集合记为扩充后的视频标签集合记为其中

S2:利用奇异值分解将视频对视频标签的偏好使用若干主题来刻画，所述每一个主题代表视频标签的一个隐语义，构造出视频对视频标签偏好的模型；

S3:设定影评标签集合中的影评标签对原始标签集合中的原始视频标签具有反馈作用，在视频对视频标签偏好的模型中引入描述影评标签与原始视频标签的反馈作用的变量；

S4:对视频标签集合通过模糊聚类得到标签组，在步骤S3得到的视频对视频标签偏好的模型中分别引入描述标签组的隐向量y、描述标签与其所属标签组的隶属度关系的变量θ，将隐向量y归一化得到最终的视频对视频标签的偏好模型；

S5:利用最终的视频对视频标签的偏好模型，计算每部视频对每个视频标签的倾向值，并按照倾向值的大小排序，取倾向值序列中前N个倾向值对应的且视频原始状态下没有的视频标签添加为当前视频的视频标签，其中，N为正整数。

本发明通过从影评中提取关键词来补充视频的原始的标签集合，利用奇异值分解的方法刻画视频对标签的偏好从而构造出视频对标签偏好的模型，通过引入描述视频与标签的反馈作用的变量来扩展视频对标签偏好的模型，通过模糊聚类得到标签组，同时引入描述便签组的隐向量和描述隶属度关系的变量得到最终的视频对标签偏好的模型，计算表征视频对视频标签偏好的倾向值，根据偏好值的排序将对应标签补充给视频。

进一步地，步骤S2中所述视频对视频标签的偏好模型具体如下：

将视频和视频标签用d维向量分别表示为：刻画视频u对视频标签i偏好的模型表示如下：

其中，μ代表视频标签数据集合中所有视频对所有视频标签整体的评分；b_u代表视频u的打分偏置；b_i代表视频标签i的得分偏置；q_i代表标签i的隐向量；代表视频u的隐向量的转置。

进一步地，所述影评标签与原始视频标签的反馈作用包括正反馈和负反馈；所述正反馈为影评标签与原始视频标签的共现关系，所述负反馈为影评标签与原始视频标签的互斥关系。通过将反馈作用引入视频对标签偏好的模型使得模型准确性提高。

进一步地，步骤S3引入的描述影评标签与原始视频标签反馈作用的变量记为c，引入变量后的视频对视频标签偏好的模型表示如下：

其中，μ代表视频标签数据集合中所有视频对所有视频标签整体的评分；b_u代表视频u的打分偏置；b_i代表视频标签i的得分偏置；q_i代表标签i的隐向量；代表视频u的隐向量的转置，表示视频u的影评标签集合，c_ij反映每一个影评标签j对当前视频标签i的影响。

进一步地，引入描述标签组的隐向量y后视频对视频标签偏好的模型表示如下：

本发明中每个视频标签所包含的语义信息是多重的，其所属的标签组的数量不止一个，不同标签所属的组不同；而标签与其所属的多个标签组之间的隶属度也不同；引入描述视频标签与其所属标签组的隶属度关系的变量θ后视频对视频标签偏好的模型表示如下：

对变量y进行归一化，乘子用以归一化视频标签i所属的标签组的数量，得到最终模型：

其中，θ_il表示视频标签i属于标签组l的程度。通过对变量y进行归一化，避免标签组的隐语义信息对视频标签的信息影响过强。本发明中的视频标签由其自身的隐语义和其所属的标签组的隐语义两个部分的隐语义共同构成。一个视频标签所属的标签组是由与它语义相近的视频标签所组成的。将标签语义层次的信息加入为模型使得模型的表示更具鲁棒性。

进一步地，所述标签组由模糊聚类算法得到，具体步骤如下：

第一步：将视频影评作为语料库进行分词处理，利用分词处理后语料库训练Word2Vec模型得到标签向量

第二步：通过余弦相似度计算任意两个标签i,j之间的距离e_ij；

第三步：将中所有的标签作为顶点，标签之间的距离作为边，构建图模型其中是图模型中的顶点集合，ε是第二步中任意两点之间的余弦相似度e_ij集合；

第四步：随机初始化隶属度矩阵θ和聚类中心c，使得c满足其中l∈1,2…k；

第五步：计数器加1，计算目标函数其中，dis_il为标签向量vec_i到聚类中心l的欧式距离，如果Jⁿ-J^n-1小于停止条件ξ，则停止迭代并跳入第七步，否则进行第六步；

第六步：按如下公式更新θ和c，并返回第五步；

其中

其中，

第七步：对隶属度矩阵θ按列取最大值的索引作为标签所属的聚类组

第八步：返回所有标签的聚类簇和隶属度矩阵θ作为模糊聚类的结果。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过从影评提取关键词补充标签丰富了原始视频标签集合，通过基于隐语义的SVD奇异值分解、考虑标签的共现关系、通过标签语义信息进行聚类簇扩展使得视频对标签的偏好模型更加准确，提高了标签对视频描述的准确性；本发明占用计算资源小，执行效率高。

附图说明

图1为本发明方法流程示意图。

图2为某视频网站中电影标签数量与对应的影片数量分布图。

具体实施方式

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

本实施中使用电影添加标签的实施过程进行阐述本发明的实施过程。

如图1所示，一种基于协同过滤的视频标签添加方法，所述方法包括：

S1：从影评数据中提取关键词补充到原始的标签集合中构造出扩充后的电影标签集合，其中原始的标签集合记为从影评中提取关键词补充的影评标签集合记为扩充后的电影标签集合记为其中如图2所示某视频网站中电影标签数量与对应的影片数量分布图。

S2:利用奇异值分解将电影对电影标签的偏好使用若干主题来刻画，所述每一个主题代表电影标签的一个隐语义，构造出电影对电影标签偏好的模型；

步骤S2中所述电影对电影标签的偏好模型具体如下：

将电影和电影标签用d维向量分别表示为：刻画电影u对电影标签i偏好的模型表示如下：

其中，μ代表电影标签数据集合中所有电影对所有电影标签整体的评分；b_u代表电影u的打分偏置；b_i代表电影标签i的得分偏置；q_i代表标签i的隐向量；代表电影u的隐向量的转置。

S3:设定影评标签集合中的影评标签对原始标签集合中的原始电影标签具有反馈作用，在电影对电影标签偏好的模型中引入描述影评标签与原始电影标签的反馈作用的变量；

，所述影评标签与原始电影标签的反馈作用包括正反馈和负反馈；所述正反馈为影评标签与原始电影标签的共现关系，所述负反馈为影评标签与原始电影标签的互斥关系。通过将反馈作用引入电影对标签偏好的模型使得模型准确性提高。

步骤S3引入的描述影评标签与原始电影标签反馈作用的变量记为c，引入变量后的电影对电影标签偏好的模型表示如下：

其中，μ代表电影标签数据集合中所有电影对所有电影标签整体的评分；b_u代表电影u的打分偏置；b_i代表电影标签i的得分偏置；q_i代表标签i的隐向量；代表电影u的隐向量的转置，表示电影u的影评标签集合，c_ij反映每一个影评标签j对当前电影标签i的影响。

S4:对电影标签集合通过模糊聚类得到标签组，在步骤S3得到的电影对电影标签偏好的模型中分别引入描述标签组的隐向量y、描述标签与其所属标签组的隶属度关系的变量θ，将隐向量y归一化得到最终的电影对电影标签的偏好模型；

引入描述标签组的隐向量y后电影对电影标签偏好的模型表示如下：

本发明中每个电影标签所包含的语义信息是多重的，其所属的标签组的数量不止一个，不同标签所属的组不同；而标签与其所属的多个标签组之间的隶属度也不同；引入描述电影标签与其所属标签组的隶属度关系的变量θ后电影对电影标签偏好的模型表示如下：

对变量y进行归一化，乘子用以归一化电影标签i所属的标签组的数量，得到最终模型如下：

其中，θ_il表示电影标签i属于标签组l的程度。通过对变量y进行归一化，避免标签组的隐语义信息对电影标签的信息影响过强。本发明中的电影标签由其自身的隐语义和其所属的标签组的隐语义两个部分的隐语义共同构成。一个电影标签所属的标签组是由与它语义相近的电影标签所组成的。将标签语义层次的信息加入为模型使得模型的表示更具鲁棒性。

本实施例中，所述标签组由模糊聚类算法得到，具体步骤如下：

第一步：将电影影评作为语料库进行分词处理，利用分词处理后语料库训练Word2Vec模型得到标签向量

第二步：通过余弦相似度计算任意两个标签i,j之间的距离e_ij；

第三步：将中所有的标签作为顶点，标签之间的距离作为边，构建图模型其中是图模型中的顶点集合，ε是第二步中任意两点之间的余弦相似度e_ij集合；

第四步：随机初始化隶属度矩阵θ和聚类中心c，使得c满足其中l∈1,2…k；

第五步：计数器加1，计算目标函数其中，dis_il为标签向量vec_i到聚类中心l的欧式距离，如果Jⁿ-J^n-1小于停止条件ξ，则停止迭代并跳入第七步，否则进行第六步；

第六步：按如下公式更新θ和c，并返回第五步；

其中

其中，

第七步：对隶属度矩阵θ按列取最大值的索引作为标签所属的聚类组

第八步：返回所有标签的聚类簇和隶属度矩阵θ作为模糊聚类的结果。

S5:利用最终的电影对电影标签的偏好模型，计算每部电影对每个电影标签的倾向值，并按照倾向值的大小排序，取倾向值序列中前10个倾向值对应的且电影原始状态下没有的电影标签添加为当前电影的电影标签。倾向值序列中N的取值根据具体的应用场景和任务需要进行确定。

本实施例中利用本发明方法通过从影评中提取关键词来补充电影的原始的标签集合，利用奇异值分解的方法刻画电影对标签的偏好从而构造出电影对标签偏好的模型，通过引入描述电影与标签的反馈作用的变量来扩展电影对标签偏好的模型，通过模糊聚类得到标签组，同时引入描述标签组的隐向量和描述隶属度关系的变量得到最终的电影对标签偏好的模型，计算表征电影对电影标签偏好的倾向值，根据偏好值的排序将对应标签补充给电影。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于协同过滤的视频标签添加方法，其特征在于，所述方法包括：

S1：从影评数据中提取关键词补充到原始的标签集合中构造出扩充后的视频标签集合，其中将原始的标签集合记为从影评中提取关键词补充的影评标签集合记为扩充后的视频标签集合记为其中

S2:利用SVD奇异值分解将视频对视频标签的偏好使用若干主题来刻画，所述每一个主题代表视频标签的一个隐语义，构造出视频对视频标签偏好的模型；

S3:设定影评标签集合中的影评标签对原始标签集合中的原始视频标签具有反馈作用，在视频对视频标签偏好的模型中引入描述影评标签与原始视频标签的反馈作用的变量；

S4:对视频标签集合通过模糊聚类得到标签组，在步骤S3得到的视频对视频标签偏好的模型分别引入描述标签组的隐向量y、描述标签与其所属标签组的隶属度关系的变量θ，将隐向量y归一化得到最终的视频对视频标签的偏好模型；

S5:利用最终的视频对视频标签的偏好模型，计算每部视频对每个视频标签倾向值，并按照倾向值的大小排序，取倾向值序列中前N个倾向值对应的且视频原始状态下没有的视频标签添加为当前视频的标签，其中N为正整数。

2.根据权利要求1所述的一种基于协同过滤的视频标签添加方法，其特征在于，步骤S2中所述视频对视频标签偏好的模型具体如下：

将视频和视频标签用d维向量分别表示为：刻画视频u对视频标签i的偏好的模型表示如下：

其中，μ代表视频标签数据集合中所有视频对所有视频标签整体的评分；b_u代表视频u的打分偏置；b_i代表视频标签i的得分偏置；q_i代表标签i的隐向量；代表视频u的隐向量的转置。

3.根据权利要求1所述的一种基于协同过滤的视频标签添加方法，其特征在于，所述影评标签与原始视频标签的反馈作用包括正反馈和负反馈；所述正反馈为影评标签与原始视频标签的共现关系，所述负反馈为影评标签与原始视频标签的互斥关系。

4.根据权利要求1所述的一种基于协同过滤的视频标签添加方法，其特征在于，步骤S3引入的描述影评标签与原始视频标签反馈作用的变量记为c，引入变量后的视频对视频标签偏好的模型表示如下：

其中，μ代表视频标签数据集合中所有视频对所有视频标签整体的评分；b_u代表视频u的打分偏置；b_i代表视频标签i的得分偏置；q_i代表标签i的隐向量；代表视频u的隐向量的转置，表示视频u的影评标签集合，c_ij反映每一个影评标签j对当前视频标签i的影响。

5.根据权利要求4所述的一种基于协同过滤的视频标签添加方法，其特征在于，引入描述标签组的隐向量y后视频对视频标签偏好的模型表示如下：

引入描述视频标签与其所属标签组的隶属度关系的变量θ的视频对视频标签偏好的模型表示如下：

对变量y进行归一化，乘子用以归一化视频标签i所属的标签组的数量，得到最终模型：

其中，θ_il表示标签i属于标签组l的程度。

6.根据权利要求1所述的一种基于协同过滤的视频标签添加方法，其特征在于，所述标签组由模糊聚类算法得到，具体步骤如下：

第一步：将视频影评作为语料库进行分词处理，利用分词处理后语料库训练Word2Vec模型得到标签向量vec_i，其中

第二步：通过余弦相似度计算任意两个标签i,j之间的距离e_ij；

第三步：将中所有的标签作为顶点，标签之间的距离作为边，构建图模型其中是图模型中的顶点集合，ε是第二步中任意两点之间的余弦相似度e_ij集合；

第四步：随机初始化隶属度矩阵θ和聚类中心c，使得c满足其中l∈1，2…k；

第五步：计数器加1，计算目标函数其中，dis_il为标签向量vec_i到聚类中心l的欧式距离，如果Jⁿ-J^n-1小于停止条件ξ，则停止迭代并跳入第七步，否则进行第六步；

第六步：按如下公式更新θ和c，并返回第五步；

其中

其中，

第七步：对隶属度矩阵θ按列取最大值的索引作为标签所属的聚类组

第八步：返回所有标签的聚类簇和隶属度矩阵θ作为模糊聚类的结果。