[发明专利]自组织网络中的媒体标记传播

说明书

背景

领域

本公开的某些方面一般涉及机器学习，尤其涉及改进标记媒体文件的系统和方法。

背景技术

可包括一群互连的人工神经元(例如，神经元模型)的人工神经网络是一种计算设备或者表示将由计算设备执行的方法。

卷积神经网络是一种前馈人工神经网络。卷积神经网络可包括神经元集合，其中每一个神经元具有感受野并且共同地拼出一输入空间。卷积神经网络(CNN)具有众多应用。具体而言，CNN已被广泛使用于模式识别和分类领域。

深度学习架构(诸如，深度置信网络和深度卷积网络)是分层神经网络插入。也就是说，在深度学习架构中，第一层神经元的输出变成第二层神经元的输入，第二层神经元的输出变成第三层神经元的输入，依此类推。这些深度神经网络可被训练以识别特征阶层并且因此它们已在对象识别和其他应用中使用。类似于卷积神经网络，这些深度学习架构中的计算可分布在处理节点群体上，其可被配置在一个或多个计算链中。这些多层架构可每次训练一层并且例如可使用反向传播来微调。

其他模型也可用于对象识别。例如，支持向量机(SVM)是可被应用于分类的学习算法。支持向量机包括对数据进行归类的分离超平面(例如，决策边界)。该超平面由监督式学习来定义。期望的超平面增加训练数据的裕量。换言之，超平面应该具有最大的到训练示例的最小距离。

尽管这些解决方案在数个分类基准上达到了优异的结果，但它们的计算复杂度可能极其高。另外，模型的训练可能是有挑战性的。

概述

本公开的某些方面提供了一种标记媒体文件的方法。该方法包括：连接到自组织网络上的至少一个设备；以及对该自组织网络中的媒体和对应的标记进行索引。该方法还包括：将种子媒体文件的计算出的特征表示与自组织网络中的其他媒体文件的特征表示进行比较以创建经排序的列表。该方法进一步包括：确定与经排序的列表上的媒体文件相对应的标记是否与种子媒体文件的标记相匹配；以及在与该经排序的列表上的媒体文件相对应的标记与该种子媒体文件的标记相匹配时增加标记频率。

本公开的某些方面提供了一种配置成标记媒体文件的装置。该装置包括存储器以及耦合到该存储器的至少一个处理器。该一个或多个处理器被配置成：连接到自组织网络上的至少一个设备；以及对该自组织网络中的媒体和对应的标记进行索引；该(些)处理器还被配置成：将种子媒体文件的计算出的特征表示与自组织网络中的其他媒体文件的特征表示进行比较以创建经排序的列表。该(些)处理器还被配置成：确定与经排序的列表上的媒体文件相对应的标记是否与种子媒体文件的标记相匹配；以及在与该经排序的列表上的媒体文件相对应的标记与该种子媒体文件的标记相匹配时增加标记频率。

本公开的某些方面提供了一种配置成标记媒体文件的装备。该装备包括：用于连接到自组织网络上的至少一个设备的装置；以及用于对该自组织网络中的媒体和对应的标记进行索引的装置。该装备还包括：用于将种子媒体文件的计算出的特征表示与自组织网络中的其他媒体文件的特征表示进行比较以创建经排序的列表的装置。该装备进一步包括：用于确定与经排序的列表上的媒体文件相对应的标记是否与种子媒体文件的标记相匹配的装置；以及用于在与该经排序的列表上的媒体文件相对应的标记与该种子媒体文件的标记相匹配时增加标记频率的装置。

本公开的某些方面提供了一种用于标记媒体文件的计算机程序产品。该计算机程序产品包括其上记录有程序代码的非瞬态计算机可读介质。该程序代码包括：用于连接到自组织网络上的至少一个设备并且对该自组织网络中的媒体和对应的标记进行索引的程序代码。该程序代码还包括：用于将种子媒体文件的计算出的特征表示与自组织网络中的其他媒体文件的特征表示进行比较以创建经排序的列表的程序代码。该程序代码进一步包括：用于确定与经排序的列表上的媒体文件相对应的标记是否与种子媒体文件的标记相匹配并且在与该经排序的列表上的媒体文件相对应的标记与该种子媒体文件的标记相匹配时增加标记频率的程序代码。

本公开的附加特征和优点将在下文描述。本领域技术人员应当领会，本公开可容易地被用作修改或设计用于实施与本公开相同的目的的其他结构的基础。本领域技术人员还应认识到，这样的等效构造并不脱离所附权利要求中所阐述的本公开的教导。被认为是本公开的特性的新颖特征在其组织和操作方法两方面连同进一步的目的和优点在结合附图来考虑以下描述时将被更好地理解。然而，要清楚理解的是，提供每一幅附图均仅用于解说和描述目的，且无意作为对本公开的限定的定义。

附图简述