[發(fā)明專利]基于深度神經(jīng)網(wǎng)絡(luò)的媒體信息分類方法及裝置

有效

• 申請?zhí)枺?/td>: 201611224895.2
• 申請日: 2016-12-27
• 公開（公告）號: CN106779073B
• 公開（公告）日: 2019-05-31
• 發(fā)明（設(shè)計(jì)）人: 張仙偉;左玲;梁錦錦;王宏;侯珂
• 申請（專利權(quán)）人: 西安石油大學(xué)
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62
• 代理公司: 西安毅聯(lián)專利代理有限公司 61225
• 代理人: 楊燕珠

本發(fā)明公開了一種基于深度神經(jīng)網(wǎng)絡(luò)的媒體信息分類方法及裝置，屬于神經(jīng)網(wǎng)絡(luò)領(lǐng)域。所述基于深度神經(jīng)網(wǎng)絡(luò)的媒體信息分類方法包括：獲取待分類的媒體信息，所述媒體信息為視頻；從所述視頻中選取幀圖像，組成目標(biāo)圖像集；將所述目標(biāo)圖像集輸入媒體信息分類深度神經(jīng)網(wǎng)絡(luò)模型；根據(jù)所述媒體信息分類深度神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，確定所述媒體信息的關(guān)系類型，包括：該模型對目標(biāo)圖像集中的幀圖像進(jìn)行分類，統(tǒng)計(jì)數(shù)量最多的分類結(jié)果作為視頻的分類結(jié)果。本發(fā)明通過深度神經(jīng)網(wǎng)絡(luò)技術(shù)，對視頻媒體信息進(jìn)行自動(dòng)分類，有效提高視頻媒體的有效專向投放推送。

技術(shù)領(lǐng)域

本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)領(lǐng)域，特別涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的媒體信息分類方法及裝置。

背景技術(shù)

隨著互聯(lián)網(wǎng)科技的迅猛發(fā)展，網(wǎng)絡(luò)媒體信息如雨后春筍，以網(wǎng)絡(luò)分類廣告的發(fā)展最為鼎盛，其充分利用計(jì)算機(jī)網(wǎng)絡(luò)的優(yōu)勢，對大規(guī)模的生活實(shí)用信息，按主題進(jìn)行科學(xué)分類，并提供快速檢索。近來，網(wǎng)絡(luò)分類廣告已成為一種新的網(wǎng)絡(luò)廣告形式，為廣大網(wǎng)民提供實(shí)用、豐富、真實(shí)的消費(fèi)和商務(wù)信息資源，網(wǎng)絡(luò)分類表現(xiàn)形式多樣化，現(xiàn)有量和新增速率都十分驚人。

廣告的投放理念越來越向著按需投放的方向發(fā)展，向匹配人群用戶投放廣告，不僅能提高廣告的投放實(shí)效，也可以避免非匹配用戶人群對不感興趣的廣告產(chǎn)生厭惡情緒。

隨著無線網(wǎng)絡(luò)的普及，視頻廣告逐漸取代網(wǎng)頁廣告，成為廣告媒體信息的主流，較網(wǎng)頁廣告而言，視頻廣告更為直接形象，因此，網(wǎng)絡(luò)視頻廣告資源鋪天蓋地，目前廣告的分類技術(shù)主要是針對文本網(wǎng)頁廣告進(jìn)行分類，而缺乏對視頻廣告的分類，對于如此巨量的視頻廣告，僅憑借人力對視頻進(jìn)行分類費(fèi)時(shí)費(fèi)力，造成視頻廣告的有效投放率過低。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)的問題，本發(fā)明提供了一種基于深度神經(jīng)網(wǎng)絡(luò)的媒體信息分類方法及裝置，根據(jù)媒體信息分類深度神經(jīng)網(wǎng)絡(luò)模型即可識(shí)別媒體信息類型。所述技術(shù)方案如下：

一方面，本發(fā)明提供了一種基于深度神經(jīng)網(wǎng)絡(luò)的媒體信息分類方法，所述方法包括：

獲取待分類的媒體信息，所述媒體信息為視頻；

從所述視頻中選取幀圖像，組成目標(biāo)圖像集；

將所述目標(biāo)圖像集輸入媒體信息分類深度神經(jīng)網(wǎng)絡(luò)模型；

根據(jù)所述媒體信息分類深度神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，確定所述媒體信息的關(guān)系類型，包括：該模型對目標(biāo)圖像集中的幀圖像進(jìn)行分類，統(tǒng)計(jì)數(shù)量最多的分類結(jié)果作為視頻的分類結(jié)果。

可選地，所述從所述視頻中選取幀圖像包括選取視頻的所有幀圖像或者從所有幀圖像中選取目標(biāo)幀圖像。

優(yōu)選地，所述選取目標(biāo)幀圖像包括：對所有幀圖像計(jì)算權(quán)重值，選取符合預(yù)設(shè)的權(quán)重標(biāo)準(zhǔn)的幀圖像作為目標(biāo)幀圖像，所述權(quán)重標(biāo)準(zhǔn)包括權(quán)重標(biāo)準(zhǔn)值和權(quán)重標(biāo)準(zhǔn)排名。

可選地，所述選取目標(biāo)幀圖像包括：對所有幀圖像進(jìn)行聚類，得到多個(gè)幀聚類，選取離所述幀聚類中心最近的幀圖像作為目標(biāo)幀圖像。

進(jìn)一步地，所述媒體信息分類方法還包括預(yù)先訓(xùn)練媒體信息分類深度神經(jīng)網(wǎng)絡(luò)，包括：

獲取圖像集樣本數(shù)據(jù)，所述圖像集樣本數(shù)據(jù)標(biāo)記有分類類型；

采用隨機(jī)梯度下降法最小化損失函數(shù)；

通過圖像集樣本數(shù)據(jù)及完成最小化的損失函數(shù)，對所述媒體信息分類深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到模型。

具體地，所述采用隨機(jī)梯度下降法最小化損失函數(shù)包括：

根據(jù)神經(jīng)網(wǎng)絡(luò)的所有權(quán)重和損失函數(shù)，采用反向傳播法得到損失函數(shù)的梯度；

根據(jù)所述梯度，采用隨機(jī)梯度下降法，更新神經(jīng)網(wǎng)絡(luò)的權(quán)重；

將更新的權(quán)重進(jìn)行預(yù)設(shè)次數(shù)的迭代，以最小化損失函數(shù)。