[發(fā)明專利]基于社會(huì)媒體平臺(tái)上社會(huì)事件的跟蹤方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611260200.6
• 申請(qǐng)日: 2016-12-30
• 公開（公告）號(hào): CN106874365A
• 公開（公告）日: 2017-06-20
• 發(fā)明（設(shè)計(jì)）人: 徐常勝;錢勝勝;張?zhí)熘?/a>
• 申請(qǐng)（專利權(quán)）人: 中國科學(xué)院自動(dòng)化研究所
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30;G06Q50/00
• 代理公司: 北京瀚仁知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)11482
• 代理人: 李飛,吳曉芬

1.一種基于社會(huì)媒體平臺(tái)上社會(huì)事件的跟蹤方法，其特征在于，所述方法包括：

提取所述社會(huì)媒體平臺(tái)上社會(huì)事件的文本和視覺信息特征；

基于提取的所述文本和視覺信息特征，利用基于事件的在線多模態(tài)跟蹤方法，在線地建模多模態(tài)數(shù)據(jù)的社會(huì)事件，得到多模態(tài)的文本和視覺主題以及社會(huì)事件文檔的特征表示；

利用所述多模態(tài)的文本和視覺主題以及所述社會(huì)事件文檔的特征表示，并將所述基于事件的在線多模態(tài)跟蹤方法集成到社會(huì)事件跟蹤方法上，來進(jìn)行社會(huì)事件跟蹤。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述提取所述社會(huì)媒體平臺(tái)上社會(huì)事件的文本和視覺信息特征，具體包括：

針對(duì)所述社會(huì)媒體平臺(tái)上社會(huì)事件的文本信息，使用向量空間模型，并利用文本的上下文信息，提取所述文本特征；

針對(duì)所述社會(huì)媒體平臺(tái)上社會(huì)事件的視覺信息，結(jié)合圖像的結(jié)構(gòu)信息，利用稀疏學(xué)習(xí)和字典學(xué)習(xí)，并基于詞袋模型，提取所述視覺信息特征；其中，所述視覺信息包括所述圖像的結(jié)構(gòu)信息。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于提取的所述文本和視覺信息特征，利用基于事件的在線多模態(tài)跟蹤方法，在線地建模多模態(tài)數(shù)據(jù)的社會(huì)事件，得到多模態(tài)的文本和視覺主題以及社會(huì)事件文檔的特征表示，具體包括：

定義文檔層的狄利克雷：

ψ_dj～G₀，π’_dj～Beta(1,α)，

${\mathrm{\π}}_{dj}={\mathrm{\π}}_{dj}^{,}{\Π}_{l=1}^{j-1}\left(1{-}_{dl}^{,}\right),G_d={\Σ}_{j=1}^{\mathrm{\∞}}{\mathrm{\π}}_{dj}{\mathrm{\δ}}_{{\mathrm{\ψ}}_{dj}};$

其中，所述ψ_dj表示所述社會(huì)事件文檔的主題分布，所述表示全局的主題分布；所述G₀表示基礎(chǔ)分布；所述Beta()表示服從貝塔分布；所述π’_dj和所述π’_dl表示每一所述社會(huì)事件文檔的段棍構(gòu)造比例；所述α表示尺度參數(shù)；所述π_dj表示文檔主題的權(quán)重分布；所述l表示索引標(biāo)記；所述t表示主題數(shù)目；所述G_d表示服從Dirichlet過程的隨機(jī)分布；所述表示所述ψ_dj點(diǎn)的概率測度；所述c_dj表示指示變量，c_dj～Mult(β)；所述Mult()表示服從多項(xiàng)式分布；

通過所述文檔層的狄利克雷定義，得到視覺-文本主題空間分布；

將所述視覺-文本主題空間分布作為已知先驗(yàn)，得到所述多模態(tài)的文本和視覺主題以及所述社會(huì)事件文檔的所述特征表示。