马建红,樊跃翔

(河北工业大学 人工智能与数据科学学院,天津 300401)

0 概述

近年来,随着互联网技术的飞速发展与科技创新的不断进行,网络科技类数据呈爆炸性增长,数据呈现多样化,科技视频更是充斥着整个网络。科技视频分类方便人们掌握科技发展动态,加速视频知识检索,但采用人工的方式分类和标记会消耗大量的人力物力。因此,视频文本自动分类和标注成为机器学习、数据挖掘[1-2]和自然语言处理领域[3-4]的研究重点。

目前,对视频文本分类的技术主要有以下3种:一种是使用关键字提取算法提取视频文本的关键字,根据关键字进行分类检索[5],但是视频文本语法不规范,有大量的网络用语、符号语言和新生词,数据噪声大,提取出的关键字准确性较差;一种是建立视频文本特征向量模型进行分类[6],将视频表示为向量,词语作为向量中的一维数据,这种方法的缺点在于视频文本长度有限,导致特征向量模型稀疏性问题严重,从而影响分类性能;另外一种是将视频文本描述和标签相融合[7],避免了视频文本稀疏和不完整导致的分类不准确,取得了较好的分类效果。

考虑到潜在Dirichlet 分布(Latent Dirichlet Allocation,LDA)主题模型能够在文本分类上取得较好的效果,本文将主题模型和标签集结合,通过有监督标签LDA主题模型[8]对标签视频集进行建模,实现视频文本标注分类。此外,针对Labeled LDA模型偏向高频词的缺点与科技领域视频文本的特点,将专业名词库加入到主题模型中,并在主题模型采样过程中结合复合卡方统计加权算法对模型进行改进,以提高主题特征词质量。……