论文部分内容阅读
社交网络是近几年来兴起的基于用户关系的信息创造与传播平台。随着移动互联网的蓬勃发展,社交网络逐渐成为人们生活中不可或缺的一部分。用户在微博等社交网络平台发表文本内容的同时,通常会借助图像来对事件进行补充描述。因此,对社交网络多模态数据进行深度特征提取,并通过多模态语义空间学习实现多模态数据的信息融合,对于提升主题发现和突发事件检测的效果具有非常重要的意义。本文的主要工作包括以下几个方面:(1)针对社交网络文本数据,提出了基于用户互动行为特征的短文本语义扩展算法(UISSE),并利用深度去噪自编码网络对扩展后的文本数据进行深度特征提取;针对社交网络图像数据,提出了利用空间金字塔池化层对传统卷积神经网络进行改进的方法。实验结果表明,所提出的算法在分类实验中的准确率、召回率和F-measure等指标与对比算法相比均有所提升。(2)提出了社交网络多模态深度量化算法(MDQS)。MDQS算法将文本数据和图像数据的深度特征映射到连续的潜在语义空间中,并进一步映射到离散的哈希语义空间中提高了检索效率。实验结果表明,MDQS算法能够有效地对社交网络数据集进行多模态语义空间的学习,并且在同模态搜索和跨模态搜索实验中的实验结果均优于对比算法。(3)提出了基于社交网络多模态语义空间的话题检测算法(MSSTD)。MSSTD算法对每个时间窗内的社交网络数据分别构造文本图和视觉图,并根据语义相似度和时间误差系数进行多模态图融合,最后通过话题恢复算法得到话题发现和突发事件检测的结果。实验结果表明,MSSTD算法能够有效地根据社交网络跨媒体大数据进行突发事件检测,并且所检测到的话题质量和话题突发度均优于对比算法。(4)设计并实现了社交网络多模态语义空间学习与国民安全突发事件检测系统。系统包含数据采集、深度特征提取、突发事件检测和系统展示四个模块,有效地验证了本文所提出的一系列算法,并且具有一定的实用价值。