[发明专利]一种基于协同过滤的视频标签添加方法

权利要求书

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，每一个所述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，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；

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，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。

4.根据权利要求3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。

5.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q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q和c，并返回第五步；

其中l∈1,2…k

其中，l∈1,2…k；

第七步：对隶属度矩阵q按列取最大值的索引作为标签所属的聚类组g_i；

第八步：返回所有标签的聚类簇g和隶属度矩阵q作为模糊聚类的结果。