CN116881504B - 一种基于人工智能的图像信息数字化管理系统及方法 - Google Patents

一种基于人工智能的图像信息数字化管理系统及方法 Download PDF

Info

Publication number
CN116881504B
CN116881504B CN202311140754.2A CN202311140754A CN116881504B CN 116881504 B CN116881504 B CN 116881504B CN 202311140754 A CN202311140754 A CN 202311140754A CN 116881504 B CN116881504 B CN 116881504B
Authority
CN
China
Prior art keywords
comment
node
video
information
time node
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
Application number
CN202311140754.2A
Other languages
English (en)
Other versions
CN116881504A (zh
Inventor
张昊
王蕾
付军
吕晴霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Orange Storm Digital Technology Co ltd
Original Assignee
Beijing Orange Storm Digital Technology Co ltd
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 Beijing Orange Storm Digital Technology Co ltd filed Critical Beijing Orange Storm Digital Technology Co ltd
Priority to CN202311140754.2A priority Critical patent/CN116881504B/zh
Publication of CN116881504A publication Critical patent/CN116881504A/zh
Application granted granted Critical
Publication of CN116881504B publication Critical patent/CN116881504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06F16/75—Clustering; Classification
    • 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
    • G06F16/7867—Retrieval 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, title and artist information, manually generated time, location and usage information, user ratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及智能管理技术领域，具体为一种基于人工智能的图像信息数字化管理系统及方法，包括：利用人工智能对目标视频进行分帧处理，对分帧的所有图像进行分类提取关键帧图像并匹配视频数据，定时采集各个时间节点下目标视频对应的评论内容；根据线性相关性构建各个时间节点下的节点评估模型；根据节点导向变化图分析目标视频在各个时间节点上的评论导向是否存在异常；将异常程度集和目标视频的异常程度进行关联比较，分析目标视频的误导偏差值；提醒相关管理人员重点关注，确认目标视频是否存在因视频剪辑等问题发生信息误导，进一步避免视频发出用户利用舆论导向对视频中的相关事件实施网络批判的问题发生。

Description

一种基于人工智能的图像信息数字化管理系统及方法
技术领域
本发明涉及智能管理技术领域，具体为一种基于人工智能的图像信息数字化管理系统及方法。
背景技术
随着的计算机网络规模的不断扩大，使得人们均可以使用网络来解决很多事情。然而由网络构成的一个虚拟社会，真假难以辨识，而在网络批判事件的不断冲击下，原本难以辨识的真善美和假丑恶变得更加难以区分。通常，对真理的曲解并不在于信息源本身，而在于真理在传播的过程中被歪曲混淆，网络批判事件，往往是真理被曲解的过程，在这个过程中，混淆了对与错，真假难辨。
在互联网时代，许多社交平台中网络视频、网络图像等数据的随意传播，人们通过对视频、图像的剪辑导致许多相关歪曲事实的视频流出，这使得人们对相关事物出现理解的偏差，从而导致网络批判的现象，严重影响人们的实际生活，因此，如何降低歪曲事实的视频流出成为人们亟待解决的问题。
发明内容
本发明的目的在于提供一种基于人工智能的图像信息数字化管理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的图像信息数字化管理方法，包括以下步骤：
步骤S100：利用人工智能对社交平台中的目标视频进行分帧处理，形成目标图像集，并对目标图像集进行图像分类，得到若干个分类图像集；分别从各分类图像集中提取得到对应的关键帧图像，则基于关键帧图像匹配社交平台中所有的视频数据；对各分类图像集提取关键信息集合，同时定时采集各个时间节点下目标视频对应的评论内容，则根据关键信息依次对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合；
其中利用人工智能采集数据，可以更加高效准确的为系统服务；
步骤S200：将各个时间节点下对应的评论内容集合设为相关评论集，并设立一个网络词库，则根据网络词库和相关评论集的线性相关性构建各个时间节点下的节点评估模型；根据各两个相邻时间节点的评论信息数量确认评论变化率，则将节点评估模型得到的节点评估值和评论变化率的乘积设为节点变化值，得到节点导向变化图，进一步根据节点导向变化图分析目标视频在各个时间节点上的评论导向是否存在异常；
步骤S300：获取相关视频集中所有视频数据的异常程度，形成异常程度集；将异常程度集和目标视频的异常程度进行关联比较，分析目标视频的误导偏差值；
步骤S400：若误导偏差值大于偏差阈值，则将各分类图像集提取出的关键信息集合反馈给相关管理人员，提醒相关管理人员重点关注带有所述关键信息集合的所有视频图像数据。
进一步的，步骤S100包括：
步骤S110：利用人工智能对目标视频进行分帧处理，形成目标图像集；利用感知哈希算法对目标图像集进行图像分类，得到若干个分类图像集；利用语义相关算法分别从各分类图像集中提取得到对应的关键帧图像；基于关键帧图像匹配社交平台中所有的视频数据，形成相关视频集B={b1,b2,…,bn}，其中b1,b2,…,bn表示第1,2,…,n个基于各分类图像集对应的关键帧图像分别匹配内容相关的视频数据；
其中语义相关算法是一种先进的人工智能技术，可以帮助机器理解和解释文本的意思；
通过对目标图像集进行图像分类，根据分类后的图像集合分别提取关键帧图像，并根据各类关键帧图像匹配相关视频数据，有利于后续对目标视频和相关视频数据的关联性分析；
步骤S120：利用语义识别算法对各分类图像集提取关键信息，分别得到对应各分类图像集的关键信息集合；定时采集各个时间节点下目标视频对应的评论内容，则根据各分类图像集的关键信息集合依次对各个时间节点下对应的评论内容进行内容相似度匹配，基于匹配结果对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合；其中语义识别算法属于本领域技术人员的常规技术手段，因此在本申请中就不再做出过多的赘述；
通过利用语义识别算法对各分类图像集提取关键信息，基于所有关键信息对采集的所有评论内容进行相关内容的筛选，有利于针对目标视频内容的评论进行分析，提高系统分析的准确性。
进一步的，步骤S200包括：
步骤S210：将各个时间节点下对应的评论内容集合设为相关评论集D，则对相关评论集D中的每一条评论信息和各分类图像集的关键信息集合进行相似度匹配，分别为每一条评论信息筛选出相似度最高的关键性词语；将筛选出相同关键性词语的评论信息进行聚类，则得到相关评论集D中各聚类后对应的评论信息集合Dj；
上述步骤中各个时间节点下对应的评论内容集合包含许多不同内容的评论信息，则通过根据关键信息集合对评论内容集合进行聚类，使每一类评论内容产生一种评论观点，有利于后续对各个时间节点下节点评估模型的建立；
步骤S220：设立一个网络词库E，分析各聚类后对应的评论信息集合Dj和网络词库E的线性相关性，并根据线性相关性对各个时间节点下对应的评论内容集合分别构建各个时间节点对应的节点评估模型W；其中所述网络词库E包括社交平台中所有带有消极语义的网络关键词信息；
步骤S230：为了分析各个时间节点的导向变化是否可控：根据各个时间节点对应的节点评估模型W分别得到各个时间节点t的节点评估值wt；依次获取各相邻两个时间节点的评论信息数量，将后一个时间节点的评论信息数量除以前一个时间节点的评论信息数量，计算得到各个时间节点t对应的评论变化率为ft，则以时间节点t为横坐标，节点变化值wt*ft为纵坐标构建节点导向变化图；根据节点导向变化图依次计算各相邻两个节点坐标之间的斜率值，并将所述斜率值赋值给后一个节点坐标；将计算出的斜率值大于斜率阈值γ的节点坐标进行标记，此时，对存在连续标记个数大于数量阈值δ的节点坐标进行提取，确认节点坐标的数量为X；
通过根据各个时间节点对应的节点评估模型确认节点评估值，将各个时间节点的节点评估值和评论变化率的乘积作为节点变化值，则以时间节点为横坐标，节点变化值为纵坐标，形成节点导向变化图，有利于针对节点导向变化图分析各个时间节点的导向变化是否可控，便于后续对目标视频的导向偏差的分析；
上述步骤中不同的时间节点计算出的评论变化率不同，当评论变化率ft越大，表示评论数量增幅越大，进一步说明目标视频的讨论热度不断提高，可能存在一定导向异常；
上述步骤中根据节点导向变化图依次计算各相邻两个节点坐标之间的斜率值，并将所述斜率值赋值给后一个节点坐标，比如第0个节点坐标和第1个节点坐标构成了第一个节点坐标的斜率值；第1个节点坐标和第2个节点坐标构成了第二个节点坐标的斜率值；
步骤S240：获取提取出的所有节点坐标数量X，若X/m大于占比阈值ε，则表示目标视频在各个时间节点上的评论导向存在异常，并确认目标视频的异常程度为σ*X/m；反之，若小于占比阈值ε，则表示目标视频在各个时间节点上的评论导向未发生异常，则停止对目标视频的分析；其中m表示时间节点个数，σ表示目标视频内容在社交平台中的传播程度。
进一步的，步骤S220中构建节点评估模型W的具体过程包括：
步骤S221：设置一个网络词库E，采集评论信息集合Dj中任意一条评论信息d，则根据公式：α=∑(d-)*(E-/>)//>，得到任意一条评论信息d和网络词库E的关联系数α；当关联系数α大于关联阈值β时，表示任意一条评论信息d和网络状态E线性相关，此时，对所有和网络状态E线性相关的评论信息进行标记并确认标记数量占比为rj；
步骤S222：根据任意聚类后的评论信息集合Dj和评论信息集合Dj中标记数量的占比rj构建任意时间节点t时对应的节点评估模型W=∑j(|Dj|/|D|)*[rj*s1+(1-rj)*s2]；其中|Dj|和|D|分别表示评论信息集合Dj和相关评论集D中评论信息的数量，s1表示和网络状态E线性相关的权重因子，s2表示和网络状态E非线性相关的权重因子；
通过将各个时间节点下对应的评论内容集合设为相关评论集，并设立一个网络词库，则根据网络词库和相关评论集的线性相关性构建各个时间节点下的节点评估模型，有利于分析不同时间节点的评论导向。
进一步的，步骤S300包括：
步骤S310：获取相关视频集B中n个视频数据异常程度，形成异常程度集H；提取异常程度集H中任意异常程度hu和目标视频的异常程度σ*X/m，则若存在|hu-σ*X/m|大于异常阈值λ，则表示目标视频存在信息误导性质，若n个视频数据中满足条件的视频数量越多，则表示目标视频的信息误导偏差越大；
步骤S320：对所有满足|hu-σ*X/m|大于异常阈值λ的视频数据进行提取，确认视频数量为z，则根据视频数量z确认目标视频的误导偏差值为Y=σ*z/n；
通过将异常程度集和目标视频的异常程度进行关联比较，分析目标视频的误导偏差值，并根据误导偏差值确认目标视频是否存在因视频剪辑等问题导致发生误导的问题，避免视频发出用户利用舆论导向对视频中的相关事件实施网络批判的问题发生。
图像信息数字化管理系统，系统包括：数据采集模块、数据库、导向分析模块、智能判断模块和数据反馈模块；
通过所述数据采集模块利用人工智能对社交平台中的目标视频进行分帧处理，形成目标图像集，并对目标图像集进行图像分类，得到若干个分类图像集；分别从各分类图像集中提取得到对应的关键帧图像，则基于关键帧图像匹配社交平台中所有的视频数据；对各分类图像集提取关键信息集合，同时定时采集各个时间节点下目标视频对应的评论内容，则根据关键信息依次对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合；
通过所述数据库对所有采集到的数据进行存储；
通过所述导向分析模块将各个时间节点下对应的评论内容集合设为相关评论集，并设立一个网络词库，则根据网络词库和相关评论集的线性相关性构建各个时间节点下的节点评估模型；根据各两个相邻时间节点的评论信息数量确认评论变化率，则将节点评估模型得到的节点评估值和评论变化率的乘积设为节点变化值，得到节点导向变化图，进一步根据节点导向变化图分析目标视频在各个时间节点上的评论导向是否存在异常；
通过所述智能判断模块获取相关视频集中所有视频数据的异常程度，形成异常程度集；将异常程度集和目标视频的异常程度进行关联比较，分析目标视频的误导偏差值；
通过所述数据反馈模块分析若误导偏差值大于偏差阈值，则将各分类图像集提取出的关键信息集合反馈给相关管理人员，提醒相关管理人员重点关注带有所述关键信息集合的所有视频图像数据。
进一步的，数据采集模块包括分类图像采集单元、相关视频匹配单元和评论筛选单元；
所述分类图像采集单元用于利用人工智能对社交平台中的目标视频进行分帧处理，形成目标图像集，并对目标图像集进行图像分类，得到若干个分类图像集；所述相关视频匹配单元用于分别从各分类图像集中提取得到对应的关键帧图像，则基于关键帧图像匹配社交平台中所有的视频数据；所述评论筛选单元用于对各分类图像集提取关键信息集合，同时定时采集各个时间节点下目标视频对应的评论内容，则根据关键信息依次对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合。
进一步的，导向分析模块包括模型分析单元、导向分析单元和异常判断单元；
所述模型分析单元用于将各个时间节点下对应的评论内容集合设为相关评论集，并设立一个网络词库，则根据网络词库和相关评论集的线性相关性构建各个时间节点下的节点评估模型；所述导向分析单元用于根据各两个相邻时间节点的评论信息数量确认评论变化率，则将节点评估模型得到的节点评估值和评论变化率的乘积设为节点变化值，得到节点导向变化图；所述异常判断单元用于根据节点导向变化图分析目标视频在各个时间节点上的评论导向是否存在异常。
进一步的，智能判断模块包括异常程度匹配单元和偏差分析单元；
所述异常程度匹配单元用于获取相关视频集中所有视频数据的异常程度，形成异常程度集；所述偏差分析单元用于将异常程度集和目标视频的异常程度进行关联比较，分析目标视频的误导偏差值。
与现有技术相比，本发明所达到的有益效果是：
本发明通过将各个时间节点下对应的评论内容集合设为相关评论集，并设立一个网络词库，则根据网络词库和相关评论集的线性相关性构建各个时间节点下的节点评估模型，有利于分析不同时间节点的评论导向；通过以时间节点为横坐标，节点变化值为纵坐标，形成节点导向变化图，有利于针对节点导向变化图分析各个时间节点的导向变化是否可控；通过将异常程度集和目标视频的异常程度进行关联比较，分析目标视频的误导偏差值，并根据误导偏差值确认目标视频是否存在因视频剪辑等问题导致发生误导的问题，避免视频发出用户利用舆论导向对视频中的相关事件实施网络批判的问题发生。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的图像信息数字化管理系统的结构图；
图2是本发明一种基于人工智能的图像信息数字化管理方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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。
请参阅图1，本发明提供技术方案：图像信息数字化管理系统，系统包括：数据采集模块、数据库、导向分析模块、智能判断模块和数据反馈模块；
通过所述数据采集模块利用人工智能对社交平台中的目标视频进行分帧处理，形成目标图像集，并对目标图像集进行图像分类，得到若干个分类图像集；分别从各分类图像集中提取得到对应的关键帧图像，则基于关键帧图像匹配社交平台中所有的视频数据；对各分类图像集提取关键信息集合，同时定时采集各个时间节点下目标视频对应的评论内容，则根据关键信息依次对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合；
数据采集模块包括分类图像采集单元、相关视频匹配单元和评论筛选单元；
所述分类图像采集单元用于利用人工智能对社交平台中的目标视频进行分帧处理，形成目标图像集，并对目标图像集进行图像分类，得到若干个分类图像集；所述相关视频匹配单元用于分别从各分类图像集中提取得到对应的关键帧图像，则基于关键帧图像匹配社交平台中所有的视频数据；所述评论筛选单元用于对各分类图像集提取关键信息集合，同时定时采集各个时间节点下目标视频对应的评论内容，则根据关键信息依次对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合。
通过所述数据库对所有采集到的数据进行存储；
通过所述导向分析模块将各个时间节点下对应的评论内容集合设为相关评论集，并设立一个网络词库，则根据网络词库和相关评论集的线性相关性构建各个时间节点下的节点评估模型；根据各两个相邻时间节点的评论信息数量确认评论变化率，则将节点评估模型得到的节点评估值和评论变化率的乘积设为节点变化值，得到节点导向变化图，进一步根据节点导向变化图分析目标视频在各个时间节点上的评论导向是否存在异常；
导向分析模块包括模型分析单元、导向分析单元和异常判断单元；
所述模型分析单元用于将各个时间节点下对应的评论内容集合设为相关评论集，并设立一个网络词库，则根据网络词库和相关评论集的线性相关性构建各个时间节点下的节点评估模型；所述导向分析单元用于根据各两个相邻时间节点的评论信息数量确认评论变化率，则将节点评估模型得到的节点评估值和评论变化率的乘积设为节点变化值，得到节点导向变化图；所述异常判断单元用于根据节点导向变化图分析目标视频在各个时间节点上的评论导向是否存在异常。
通过所述智能判断模块获取相关视频集中所有视频数据的异常程度，形成异常程度集；将异常程度集和目标视频的异常程度进行关联比较，分析目标视频的误导偏差值；
智能判断模块包括异常程度匹配单元和偏差分析单元；
所述异常程度匹配单元用于获取相关视频集中所有视频数据的异常程度，形成异常程度集；所述偏差分析单元用于将异常程度集和目标视频的异常程度进行关联比较，分析目标视频的误导偏差值。
通过所述数据反馈模块分析若误导偏差值大于偏差阈值，则将各分类图像集提取出的关键信息集合反馈给相关管理人员，提醒相关管理人员重点关注带有所述关键信息集合的所有视频图像数据。
请参阅图2，本发明提供技术方案：一种基于人工智能的图像信息数字化管理方法，包括以下步骤：
步骤S100：利用人工智能对社交平台中的目标视频进行分帧处理，形成目标图像集，并对目标图像集进行图像分类，得到若干个分类图像集；分别从各分类图像集中提取得到对应的关键帧图像，则基于关键帧图像匹配社交平台中所有的视频数据；对各分类图像集提取关键信息集合，同时定时采集各个时间节点下目标视频对应的评论内容，则根据关键信息依次对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合；
其中利用人工智能采集数据，可以更加高效准确的为系统服务；
步骤S100包括：
步骤S110：利用人工智能对目标视频进行分帧处理，形成目标图像集；利用感知哈希算法对目标图像集进行图像分类，得到若干个分类图像集；利用语义相关算法分别从各分类图像集中提取得到对应的关键帧图像；基于关键帧图像匹配社交平台中所有的视频数据，形成相关视频集B={b1,b2,…,bn}，其中b1,b2,…,bn表示第1,2,…,n个基于各分类图像集对应的关键帧图像分别匹配内容相关的视频数据；
其中语义相关算法是一种先进的人工智能技术，可以帮助机器理解和解释文本的意思；
步骤S120：利用语义识别算法对各分类图像集提取关键信息，分别得到对应各分类图像集的关键信息集合；定时采集各个时间节点下目标视频对应的评论内容，则根据各分类图像集的关键信息集合依次对各个时间节点下对应的评论内容进行内容相似度匹配，基于匹配结果对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合；其中语义识别算法属于本领域技术人员的常规技术手段，因此在本申请中就不再做出过多的赘述。
步骤S200：将各个时间节点下对应的评论内容集合设为相关评论集，并设立一个网络词库，则根据网络词库和相关评论集的线性相关性构建各个时间节点下的节点评估模型；根据各两个相邻时间节点的评论信息数量确认评论变化率，则将节点评估模型得到的节点评估值和评论变化率的乘积设为节点变化值，得到节点导向变化图，进一步根据节点导向变化图分析目标视频在各个时间节点上的评论导向是否存在异常；
步骤S200包括：
步骤S210：将各个时间节点下对应的评论内容集合设为相关评论集D，则对相关评论集D中的每一条评论信息和各分类图像集的关键信息集合进行相似度匹配，分别为每一条评论信息筛选出相似度最高的关键性词语；将筛选出相同关键性词语的评论信息进行聚类，则得到相关评论集D中各聚类后对应的评论信息集合Dj；
上述步骤中各个时间节点下对应的评论内容集合包含许多不同内容的评论信息，则通过根据关键信息集合对评论内容集合进行聚类，使每一类评论内容产生一种评论观点；
步骤S220：设立一个网络词库E，分析各聚类后对应的评论信息集合Dj和网络词库E的线性相关性，并根据线性相关性对各个时间节点下对应的评论内容集合分别构建各个时间节点对应的节点评估模型W；其中所述网络词库E包括社交平台中所有带有消极语义的网络关键词信息；
步骤S220中构建节点评估模型W的具体过程包括：
步骤S221：设置一个网络词库E，采集评论信息集合Dj中任意一条评论信息d，则根据公式：α=∑(d-)*(E-/>)//>，得到任意一条评论信息d和网络词库E的关联系数α；当关联系数α大于关联阈值β时，表示任意一条评论信息d和网络状态E线性相关，此时，对所有和网络状态E线性相关的评论信息进行标记并确认标记数量占比为rj；
步骤S222：根据任意聚类后的评论信息集合Dj和评论信息集合Dj中标记数量的占比rj构建任意时间节点t时对应的节点评估模型W=∑j(|Dj|/|D|)*[rj*s1+(1-rj)*s2]；其中|Dj|和|D|分别表示评论信息集合Dj和相关评论集D中评论信息的数量，s1表示和网络状态E线性相关的权重因子，s2表示和网络状态E非线性相关的权重因子。
步骤S230：为了分析各个时间节点的导向变化是否可控：根据各个时间节点对应的节点评估模型W分别得到各个时间节点t的节点评估值wt；依次获取各相邻两个时间节点的评论信息数量，将后一个时间节点的评论信息数量除以前一个时间节点的评论信息数量，计算得到各个时间节点t对应的评论变化率为ft，则以时间节点t为横坐标，节点变化值wt*ft为纵坐标构建节点导向变化图；根据节点导向变化图依次计算各相邻两个节点坐标之间的斜率值，并将所述斜率值赋值给后一个节点坐标；将计算出的斜率值大于斜率阈值γ的节点坐标进行标记，此时，对存在连续标记个数大于数量阈值δ的节点坐标进行提取，确认节点坐标的数量为X；
上述步骤中根据节点导向变化图依次计算各相邻两个节点坐标之间的斜率值，并将所述斜率值赋值给后一个节点坐标，比如第0个节点坐标和第1个节点坐标构成了第一个节点坐标的斜率值；第1个节点坐标和第2个节点坐标构成了第二个节点坐标的斜率值；
步骤S240：获取提取出的所有节点坐标数量X，若X/m大于占比阈值ε，则表示目标视频在各个时间节点上的评论导向存在异常，并确认目标视频的异常程度为σ*X/m；反之，若小于占比阈值ε，则表示目标视频在各个时间节点上的评论导向未发生异常，则停止对目标视频的分析；其中m表示时间节点个数，σ表示目标视频内容在社交平台中的传播程度。
步骤S300：获取相关视频集中所有视频数据的异常程度，形成异常程度集；将异常程度集和目标视频的异常程度进行关联比较，分析目标视频的误导偏差值；
步骤S300包括：
步骤S310：获取相关视频集B中n个视频数据异常程度，形成异常程度集H；提取异常程度集H中任意异常程度hu和目标视频的异常程度σ*X/m，则若存在|hu-σ*X/m|大于异常阈值λ，则表示目标视频存在信息误导性质，若n个视频数据中满足条件的视频数量越多，则表示目标视频的信息误导偏差越大；
步骤S320：对所有满足|hu-σ*X/m|大于异常阈值λ的视频数据进行提取，确认视频数量为z，则根据视频数量z确认目标视频的误导偏差值为Y=σ*z/n。
步骤S400：若误导偏差值大于偏差阈值，则将各分类图像集提取出的关键信息集合反馈给相关管理人员，提醒相关管理人员重点关注带有所述关键信息集合的所有视频图像数据。
例如：步骤S100包括：
步骤S110：利用人工智能对目标视频进行分帧处理，形成目标图像集；利用感知哈希算法对目标图像集进行图像分类，得到若干个分类图像集；利用语义相关算法分别从各分类图像集中提取得到对应的关键帧图像；基于关键帧图像匹配社交平台中所有的视频数据，形成相关视频集B={b1,b2,…,bn}，其中b1,b2,…,bn表示第1,2,…,n个基于各分类图像集对应的关键帧图像分别匹配内容相关的视频数据；
步骤S120：利用语义识别算法对各分类图像集提取关键信息，分别得到对应各分类图像集的关键信息集合；定时采集各个时间节点下目标视频对应的评论内容，则根据各分类图像集的关键信息集合依次对各个时间节点下对应的评论内容进行内容相似度匹配，基于匹配结果对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合。
步骤S200包括：
步骤S210：将各个时间节点下对应的评论内容集合设为相关评论集D，则对相关评论集D中的每一条评论信息和各分类图像集的关键信息集合进行相似度匹配，分别为每一条评论信息筛选出相似度最高的关键性词语；将筛选出相同关键性词语的评论信息进行聚类，则得到相关评论集D中各聚类后对应的评论信息集合Dj；
步骤S220：设立一个网络词库E，分析各聚类后对应的评论信息集合Dj和网络词库E的线性相关性，并根据线性相关性对各个时间节点下对应的评论内容集合分别构建各个时间节点对应的节点评估模型W；其中所述网络词库E包括社交平台中所有带有消极语义的网络关键词信息；
步骤S220中构建节点评估模型W的具体过程包括：
步骤S221：设置一个网络词库E，采集评论信息集合Dj中任意一条评论信息d，则根据公式：α=∑(d-)*(E-/>)//>，得到任意一条评论信息d和网络词库E的关联系数α；当关联系数α大于关联阈值β时，表示任意一条评论信息d和网络状态E线性相关，此时，对所有和网络状态E线性相关的评论信息进行标记并确认标记数量占比为rj；
步骤S222：根据任意聚类后的评论信息集合Dj和评论信息集合Dj中标记数量的占比rj构建任意时间节点t时对应的节点评估模型W=∑j(|Dj|/|D|)*[rj*s1+(1-rj)*s2]；其中|Dj|和|D|分别表示评论信息集合Dj和相关评论集D中评论信息的数量，s1表示和网络状态E线性相关的权重因子，s2表示和网络状态E非线性相关的权重因子。
步骤S230：根据各个时间节点对应的节点评估模型W分别得到各个时间节点t的节点评估值wt；依次获取各相邻两个时间节点的评论信息数量，将后一个时间节点的评论信息数量除以前一个时间节点的评论信息数量，计算得到各个时间节点t对应的评论变化率为ft，则以时间节点t为横坐标，节点变化值wt*ft为纵坐标构建节点导向变化图；根据节点导向变化图依次计算各相邻两个节点坐标之间的斜率值，并将所述斜率值赋值给后一个节点坐标；将计算出的斜率值大于斜率阈值γ的节点坐标进行标记，此时，对存在连续标记个数大于数量阈值δ的节点坐标进行提取，确认节点坐标的数量为X；
步骤S240：获取提取出的所有节点坐标数量X，若X/m大于占比阈值ε，则表示目标视频在各个时间节点上的评论导向存在异常，并确认目标视频的异常程度为σ*X/m；其中m表示时间节点个数，σ表示目标视频内容在社交平台中的传播程度。
步骤S300包括：
步骤S310：获取相关视频集B中n个视频数据异常程度，形成异常程度集H；提取异常程度集H中任意异常程度hu和目标视频的异常程度σ*X/m，则若存在|hu-σ*X/m|大于异常阈值λ，则表示目标视频存在信息误导性质；
步骤S320：对所有满足|hu-σ*X/m|大于异常阈值λ的视频数据进行提取，确认视频数量为z，则根据视频数量z确认目标视频的误导偏差值为Y=σ*z/n。
步骤S400：若误导偏差值大于偏差阈值，则将各分类图像集提取出的关键信息集合反馈给相关管理人员，提醒相关管理人员重点关注带有所述关键信息集合的所有视频图像数据。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于人工智能的图像信息数字化管理方法，其特征在于：包括以下步骤：
步骤S100：利用人工智能对社交平台中的目标视频进行分帧处理，形成目标图像集，并对目标图像集进行图像分类，得到若干个分类图像集；分别从各分类图像集中提取得到对应的关键帧图像，则基于关键帧图像匹配社交平台中所有的视频数据；对各分类图像集提取关键信息集合，同时定时采集各个时间节点下目标视频对应的评论内容，则根据关键信息依次对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合；
步骤S200：将各个时间节点下对应的评论内容集合设为相关评论集，并设立一个网络词库，则根据网络词库和相关评论集的线性相关性构建各个时间节点下的节点评估模型；根据各两个相邻时间节点的评论信息数量确认评论变化率，则将节点评估模型得到的节点评估值和评论变化率的乘积设为节点变化值，得到节点导向变化图，进一步根据节点导向变化图分析目标视频在各个时间节点上的评论导向是否存在异常；
步骤S300：获取相关视频集中所有视频数据的异常程度，形成异常程度集；将异常程度集和目标视频的异常程度进行关联比较，分析目标视频的误导偏差值；
步骤S400：若误导偏差值大于偏差阈值，则将各分类图像集提取出的关键信息集合反馈给相关管理人员，提醒相关管理人员重点关注带有所述关键信息集合的所有视频图像数据；
所述步骤S200包括：
步骤S210：将各个时间节点下对应的评论内容集合设为相关评论集D，则对相关评论集D中的每一条评论信息和各分类图像集的关键信息集合进行相似度匹配，分别为每一条评论信息筛选出相似度最高的关键性词语；将筛选出相同关键性词语的评论信息进行聚类，则得到相关评论集D中各聚类后对应的评论信息集合Dj；
步骤S220：设立一个网络词库E，分析各聚类后对应的评论信息集合Dj和网络词库E的线性相关性，并根据线性相关性对各个时间节点下对应的评论内容集合分别构建各个时间节点对应的节点评估模型W；其中所述网络词库E包括社交平台中所有带有消极语义的网络关键词信息；
步骤S230：根据各个时间节点对应的节点评估模型W分别得到各个时间节点t的节点评估值wt；依次获取各相邻两个时间节点的评论信息数量，将后一个时间节点的评论信息数量除以前一个时间节点的评论信息数量，计算得到各个时间节点t对应的评论变化率为ft，则以时间节点t为横坐标，节点变化值wt*ft为纵坐标构建节点导向变化图；根据节点导向变化图依次计算各相邻两个节点坐标之间的斜率值，并将所述斜率值赋值给后一个节点坐标；将计算出的斜率值大于斜率阈值γ的节点坐标进行标记，此时，对存在连续标记个数大于数量阈值δ的节点坐标进行提取，确认节点坐标的数量为X；
步骤S240：获取提取出的所有节点坐标数量X，若X/m大于占比阈值ε，则表示目标视频在各个时间节点上的评论导向存在异常，并确认目标视频的异常程度为σ*X/m；其中m表示时间节点个数，σ表示目标视频内容在社交平台中的传播程度；
所述步骤S220中构建节点评估模型W的具体过程包括：
步骤S221：设置一个网络词库E，采集评论信息集合Dj中任意一条评论信息d，则根据公式：α=∑(d-)*(E-/>)//>，得到任意一条评论信息d和网络词库E的关联系数α；当关联系数α大于关联阈值β时，表示任意一条评论信息d和网络状态E线性相关，此时，对所有和网络状态E线性相关的评论信息进行标记并确认标记数量占比为rj；
步骤S222：根据任意聚类后的评论信息集合Dj和评论信息集合Dj中标记数量的占比rj构建任意时间节点t时对应的节点评估模型W=∑j(|Dj|/|D|)*[rj*s1+(1-rj)*s2]；其中|Dj|和|D|分别表示评论信息集合Dj和相关评论集D中评论信息的数量，s1表示和网络状态E线性相关的权重因子，s2表示和网络状态E非线性相关的权重因子。
2.根据权利要求1所述的一种基于人工智能的图像信息数字化管理方法，其特征在于：所述步骤S100包括：
步骤S110：利用人工智能对目标视频进行分帧处理，形成目标图像集；利用感知哈希算法对目标图像集进行图像分类，得到若干个分类图像集；利用语义相关算法分别从各分类图像集中提取得到对应的关键帧图像；基于关键帧图像匹配社交平台中所有的视频数据，形成相关视频集B={b1,b2,…,bn}，其中b1,b2,…,bn表示第1,2,…,n个基于各分类图像集对应的关键帧图像分别匹配内容相关的视频数据；
步骤S120：利用语义识别算法对各分类图像集提取关键信息，分别得到对应各分类图像集的关键信息集合；定时采集各个时间节点下目标视频对应的评论内容，则根据各分类图像集的关键信息集合依次对各个时间节点下对应的评论内容进行内容相似度匹配，基于匹配结果对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合。
3.根据权利要求2所述的一种基于人工智能的图像信息数字化管理方法，其特征在于：所述步骤S300包括：
步骤S310：获取相关视频集B中n个视频数据异常程度，形成异常程度集H；提取异常程度集H中任意异常程度hu和目标视频的异常程度σ*X/m，则若存在|hu-σ*X/m|大于异常阈值λ，则表示目标视频存在信息误导性质；
步骤S320：对所有满足|hu-σ*X/m|大于异常阈值λ的视频数据进行提取，确认视频数量为z，则根据视频数量z确认目标视频的误导偏差值为Y=σ*z/n。
4.用于实现权利要求1-3中任一项所述的一种基于人工智能的图像信息数字化管理方法的图像信息数字化管理系统，其特征在于：所述系统包括：数据采集模块、数据库、导向分析模块、智能判断模块和数据反馈模块；
通过所述数据采集模块利用人工智能对社交平台中的目标视频进行分帧处理，形成目标图像集，并对目标图像集进行图像分类，得到若干个分类图像集；分别从各分类图像集中提取得到对应的关键帧图像，则基于关键帧图像匹配社交平台中所有的视频数据；对各分类图像集提取关键信息集合，同时定时采集各个时间节点下目标视频对应的评论内容，则根据关键信息依次对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合；
通过所述数据库对所有采集到的数据进行存储；
通过所述导向分析模块将各个时间节点下对应的评论内容集合设为相关评论集，并设立一个网络词库，则根据网络词库和相关评论集的线性相关性构建各个时间节点下的节点评估模型；根据各两个相邻时间节点的评论信息数量确认评论变化率，则将节点评估模型得到的节点评估值和评论变化率的乘积设为节点变化值，得到节点导向变化图，进一步根据节点导向变化图分析目标视频在各个时间节点上的评论导向是否存在异常；
通过所述智能判断模块获取相关视频集中所有视频数据的异常程度，形成异常程度集；将异常程度集和目标视频的异常程度进行关联比较，分析目标视频的误导偏差值；
通过所述数据反馈模块分析若误导偏差值大于偏差阈值，则将各分类图像集提取出的关键信息集合反馈给相关管理人员，提醒相关管理人员重点关注带有所述关键信息集合的所有视频图像数据。
5.根据权利要求4所述的图像信息数字化管理系统，其特征在于：所述数据采集模块包括分类图像采集单元、相关视频匹配单元和评论筛选单元；
所述分类图像采集单元用于利用人工智能对社交平台中的目标视频进行分帧处理，形成目标图像集，并对目标图像集进行图像分类，得到若干个分类图像集；所述相关视频匹配单元用于分别从各分类图像集中提取得到对应的关键帧图像，则基于关键帧图像匹配社交平台中所有的视频数据；所述评论筛选单元用于对各分类图像集提取关键信息集合，同时定时采集各个时间节点下目标视频对应的评论内容，则根据关键信息依次对各个时间节点下对应的评论内容进行筛选，分别形成各个时间节点下对应的评论内容集合。
6.根据权利要求4所述的图像信息数字化管理系统，其特征在于：所述导向分析模块包括模型分析单元、导向分析单元和异常判断单元；
所述模型分析单元用于将各个时间节点下对应的评论内容集合设为相关评论集，并设立一个网络词库，则根据网络词库和相关评论集的线性相关性构建各个时间节点下的节点评估模型；所述导向分析单元用于根据各两个相邻时间节点的评论信息数量确认评论变化率，则将节点评估模型得到的节点评估值和评论变化率的乘积设为节点变化值，得到节点导向变化图；所述异常判断单元用于根据节点导向变化图分析目标视频在各个时间节点上的评论导向是否存在异常。
7.根据权利要求4所述的图像信息数字化管理系统，其特征在于：所述智能判断模块包括异常程度匹配单元和偏差分析单元；
所述异常程度匹配单元用于获取相关视频集中所有视频数据的异常程度，形成异常程度集；所述偏差分析单元用于将异常程度集和目标视频的异常程度进行关联比较，分析目标视频的误导偏差值。
CN202311140754.2A 2023-09-06 2023-09-06 一种基于人工智能的图像信息数字化管理系统及方法 Active CN116881504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311140754.2A CN116881504B (zh) 2023-09-06 2023-09-06 一种基于人工智能的图像信息数字化管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311140754.2A CN116881504B (zh) 2023-09-06 2023-09-06 一种基于人工智能的图像信息数字化管理系统及方法

Publications (2)

Publication Number Publication Date
CN116881504A CN116881504A (zh) 2023-10-13
CN116881504B true CN116881504B (zh) 2023-11-24

Family

ID=88271869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311140754.2A Active CN116881504B (zh) 2023-09-06 2023-09-06 一种基于人工智能的图像信息数字化管理系统及方法

Country Status (1)

Country Link
CN (1) CN116881504B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9361368B1 (en) * 2012-09-04 2016-06-07 Amazon Technologies, Inc. Review-broadcasting integrating social networks and product information
RU2649797C1 (ru) * 2017-06-14 2018-04-04 Общество С Ограниченной Ответственностью "Центр Разработки И Внедрения Инновационных Технологий" Интерактивная система, способ и считываемый компьютером носитель данных представления рекламного контента
WO2019227710A1 (zh) * 2018-05-31 2019-12-05 平安科技（深圳）有限公司 网络舆情的分析方法、装置及计算机可读存储介质
KR102325022B1 (ko) * 2020-09-22 2021-11-11 김백기 딥러닝 기반 하이브리드 분석법을 활용한 온라인 이미지 및 리뷰 통합 분석 방법 및 시스템
KR20220067621A (ko) * 2020-11-17 2022-05-25 문종민 악성댓글 판별 및 건전도 추출방법
KR20220096383A (ko) * 2020-12-31 2022-07-07 숙명여자대학교산학협력단 영상 컨텐츠의 신뢰성 평가를 위한 언어와 비언어 통합 감성 분석 시스템 및 방법
KR20220144531A (ko) * 2021-04-20 2022-10-27 주식회사 위메이크 Sns 광고를 통해 피드백을 분석하는 인공지능 분석 시스템
CN115688024A (zh) * 2022-09-27 2023-02-03 哈尔滨工程大学 基于用户内容特征和行为特征的网络异常用户预测方法
KR20230051354A (ko) * 2021-10-08 2023-04-18 문종민 악성댓글 판별방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8924383B2 (en) * 2001-04-06 2014-12-30 At&T Intellectual Property Ii, L.P. Broadcast video monitoring and alerting system
US20210012239A1 (en) * 2019-07-12 2021-01-14 Microsoft Technology Licensing, Llc Automated generation of machine learning models for network evaluation
US11972346B2 (en) * 2019-08-26 2024-04-30 Chenope, Inc. System to detect, assess and counter disinformation

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9361368B1 (en) * 2012-09-04 2016-06-07 Amazon Technologies, Inc. Review-broadcasting integrating social networks and product information
RU2649797C1 (ru) * 2017-06-14 2018-04-04 Общество С Ограниченной Ответственностью "Центр Разработки И Внедрения Инновационных Технологий" Интерактивная система, способ и считываемый компьютером носитель данных представления рекламного контента
WO2019227710A1 (zh) * 2018-05-31 2019-12-05 平安科技（深圳）有限公司 网络舆情的分析方法、装置及计算机可读存储介质
KR102325022B1 (ko) * 2020-09-22 2021-11-11 김백기 딥러닝 기반 하이브리드 분석법을 활용한 온라인 이미지 및 리뷰 통합 분석 방법 및 시스템
KR20220067621A (ko) * 2020-11-17 2022-05-25 문종민 악성댓글 판별 및 건전도 추출방법
KR20220096383A (ko) * 2020-12-31 2022-07-07 숙명여자대학교산학협력단 영상 컨텐츠의 신뢰성 평가를 위한 언어와 비언어 통합 감성 분석 시스템 및 방법
KR20220144531A (ko) * 2021-04-20 2022-10-27 주식회사 위메이크 Sns 광고를 통해 피드백을 분석하는 인공지능 분석 시스템
KR20230051354A (ko) * 2021-10-08 2023-04-18 문종민 악성댓글 판별방법
CN115688024A (zh) * 2022-09-27 2023-02-03 哈尔滨工程大学 基于用户内容特征和行为特征的网络异常用户预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于主题模型和情感分析的垃圾评论识别方法研究;金相宏;李琳;钟珞;;计算机科学(10);全文 *
基于特征选择与随机森林混合模型的社区恶意评论检测研究;唐洵;汤娟;周安民;;现代计算机(19);全文 *

Also Published As

Publication number Publication date
CN116881504A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
Huang et al. A visual–textual fused approach to automated tagging of flood-related tweets during a flood event
WO2022116771A1 (en) Method for analyzing emotion shown in image and related devices
CN108363748B (zh) 基于知乎的话题画像系统及话题画像方法
WO2023082641A1 (zh) 电子档案生成方法、装置、终端设备及存储介质
CN114896305A (zh) 一种基于大数据技术的智慧互联网安全平台
CN111651559B (zh) 一种基于事件抽取的社交网络用户关系抽取方法
US20190258629A1 (en) Data mining method based on mixed-type data
CN117520522B (zh) 一种基于rpa和ai结合的智能对话方法、装置及电子设备
CN110958472A (zh) 视频点击量评级预测方法、装置、电子设备及存储介质
CN113674846A (zh) 基于lstm网络的医院智慧服务舆情监控平台
CN107480126B (zh) 一种工程材料类别智能识别方法
CN116881504B (zh) 一种基于人工智能的图像信息数字化管理系统及方法
CN112487306A (zh) 基于知识图谱的自动化事件标记与分类方法
CN112699671A (zh) 一种语言标注方法、装置、计算机设备和存储介质
CN114943285B (zh) 互联网新闻内容数据智能审核系统
CN114528909A (zh) 一种基于流量日志特征提取的无监督异常检测方法
CN113691525A (zh) 一种流量数据处理方法、装置、设备及存储介质
CN113361585A (zh) 一种基于有监督学习算法优化筛选线索的方法
CN112988972A (zh) 一种基于数据模型的行政处罚案卷评查方法及系统
CN112507115A (zh) 一种弹幕文本中情感词的分类方法、装置及存储介质
CN114742055B (zh) 基于语义事件的海量多源异构数据处理方法及装置
CN110990574B (zh) 一种新闻资讯管理方法及装置
CN116611514B (zh) 一种基于数据驱动的价值取向评估体系构建方法
CN117556363B (zh) 基于多源数据联合检测的数据集异常识别方法
CN116127074B (zh) 基于LDA主题模型和kmeans聚类算法的主播画像分类方法

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
GR01 Patent grant
GR01 Patent grant