基于社交圖片SIFT特征的上下文信息預(yù)測(cè)方法技術(shù)

本發(fā)明專利技術(shù)提供了一種基于社交圖片SIFT特征的上下文信息預(yù)測(cè)方法，通過(guò)分析用戶上傳到移動(dòng)互聯(lián)網(wǎng)上的圖片，預(yù)測(cè)用戶的性別、發(fā)圖習(xí)慣、影響力、活躍度以及使用終端等上下文信息。本發(fā)明專利技術(shù)預(yù)測(cè)準(zhǔn)確度高，計(jì)算量少，能夠在海量數(shù)據(jù)中提取有效實(shí)用的信息。

【技術(shù)實(shí)現(xiàn)步驟摘要】

本專利技術(shù)涉及一種移動(dòng)互聯(lián)網(wǎng)領(lǐng)域，具體的說(shuō)是一種基于社交圖片SIFT特征的上下文信息預(yù)測(cè)方法。
技術(shù)介紹
在飛速發(fā)展的移動(dòng)互聯(lián)網(wǎng)時(shí)代，圖像簡(jiǎn)明形象的時(shí)代特性，使其成為人們表達(dá)情感的重要載體。用戶的上下文信息在移動(dòng)互聯(lián)網(wǎng)應(yīng)用中扮演著重要角色，它反映了用戶的各種基本信息。在移動(dòng)互聯(lián)網(wǎng)時(shí)代，圖像與用戶上下文信息關(guān)系密切，能夠在一定程度上反映發(fā)圖用戶的基本特征。用戶上下文信息預(yù)測(cè)就是通過(guò)分析用戶上傳到移動(dòng)互聯(lián)網(wǎng)上的圖片來(lái)預(yù)測(cè)用戶的性別、發(fā)圖習(xí)慣、影響力、活躍度以及使用終端等上下文信息。目前根據(jù)圖像特征進(jìn)行預(yù)測(cè)的技術(shù)多是從全局特征出發(fā)，通過(guò)灰度矩陣、顏色矩陣等得到數(shù)字特征來(lái)進(jìn)行預(yù)測(cè)。如果是對(duì)圖像的整體進(jìn)行研究，而不太關(guān)注圖片隱含的背景信息，使用全局特征比較合適。但是如果要預(yù)測(cè)用戶的上下文信息，需要辨識(shí)圖片的前景和背景，使用全局特征得到的預(yù)測(cè)準(zhǔn)確率不高，因此提取圖片的局部特征更為合適。而且之前的技術(shù)研究的圖像多是人工分類過(guò)或標(biāo)記過(guò)的，但是大數(shù)據(jù)背景下社交網(wǎng)絡(luò)上的圖片更多是沒有被標(biāo)記的。因此本專利技術(shù)主要通過(guò)對(duì)用戶上傳到移動(dòng)互聯(lián)網(wǎng)的未處理的社交圖片的局部特征進(jìn)行研究，提取圖片的SIFT特征，對(duì)提取的特征進(jìn)行聚類，采用的聚類算法是K-Means++算法；然后對(duì)用戶的上下文信息進(jìn)行分類預(yù)測(cè)，采取的分類方法是GBDT（GradientBoostingDecisionTree）算法和SVM（SupportVectorMachine）算法。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的在于克服上述不足，提供一種基于社交圖片SIFT特征的上下文信息預(yù)測(cè)方法，通過(guò)分析用戶上傳到移動(dòng)互聯(lián)網(wǎng)上的圖片，預(yù)測(cè)用戶的性別、發(fā)圖習(xí)慣、影響力、活躍度以及使用終端等上下文信息。本專利技術(shù)的目的是這樣實(shí)現(xiàn)的：基于社交圖片SIFT特征的上下文信息預(yù)測(cè)方法，從OSNs（OnlineSocialNetworks）和移動(dòng)互聯(lián)網(wǎng)獲取用戶在移動(dòng)互聯(lián)網(wǎng)上傳的圖片數(shù)據(jù)，記錄每張圖片的相關(guān)信息；對(duì)獲取到的圖片進(jìn)行預(yù)處理，然后提取圖片的局部特征SIFT特征：分別檢測(cè)、精確定位每張圖片的尺度空間極值點(diǎn)、確定關(guān)鍵點(diǎn)的位置和尺度，指定關(guān)鍵點(diǎn)方向參數(shù)，生成圖片SIFT特征向量由于不同用戶發(fā)表的圖片一般具有不同的局部特征，同一類型的用戶發(fā)表的圖片具有相似的局部特征，故本專利技術(shù)以此為依據(jù)來(lái)預(yù)測(cè)用戶的上下文信息；構(gòu)建SIFT特征向量池，并對(duì)SIFT特征池中的特征向量進(jìn)行聚類，得到相似特征的聚類中心，通過(guò)特征原型和聚類中心，計(jì)算得到用戶級(jí)別的特征向量；學(xué)習(xí)用戶級(jí)別特征向量建立訓(xùn)練數(shù)據(jù)，采用SVM和GBDT模型實(shí)現(xiàn)對(duì)用戶的上下文信息的分類預(yù)測(cè)，本專利技術(shù)將用戶的性別（男/女）、發(fā)圖習(xí)慣（高峰期/平常期）、影響力（高/低）、活躍度（活躍/不活躍）、使用終端（手機(jī)/電腦）等作為二分類問題處理。本專利技術(shù)的優(yōu)點(diǎn)在于：本專利技術(shù)研究的圖片是未標(biāo)記的，符合當(dāng)前大數(shù)據(jù)下信息量大、雜的特征，有助于在海量數(shù)據(jù)中提取有效實(shí)用的信息；本專利技術(shù)提取的是圖片的局部特征，降低了圖片攜帶的信息，減少了計(jì)算量。預(yù)測(cè)準(zhǔn)確度較高；通過(guò)特征原型和聚類中心（分類原型），計(jì)算得到描述用戶的特征向量，生成數(shù)據(jù)集，使得預(yù)測(cè)速度和性能得到提升。附圖說(shuō)明圖1為本專利技術(shù)的基于社交圖片SIFT特征的上下文信息預(yù)測(cè)方法的流程圖；圖2為本專利技術(shù)的數(shù)據(jù)集預(yù)測(cè)用戶上下文信息的算法流程圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本專利技術(shù)作進(jìn)一步描述。本專利技術(shù)為基于社交圖片SIFT特征的上下文信息預(yù)測(cè)方法，包括以下步驟：步驟1、獲取用戶上下文信息和圖片特征數(shù)據(jù)集，；步驟2、采用十字交叉驗(yàn)證法將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集；步驟3、將訓(xùn)練集訓(xùn)練SVM和GBDT分類模型，以供預(yù)測(cè)時(shí)使用，其中SVM采用RBF核函數(shù)；步驟4、用訓(xùn)練好的SVM模型和GBDT模型分別預(yù)測(cè)測(cè)試集的數(shù)據(jù)，對(duì)于用SVM訓(xùn)練出的分類模型，使用SVM預(yù)測(cè)算法測(cè)試測(cè)試集，對(duì)于用GBDT訓(xùn)練出的分類模型，使用GBDT預(yù)測(cè)算法測(cè)試測(cè)試集，分類模型包括性別分類模型、活躍度分類模型、影響力分類模型和使用終端分類模型；步驟5、對(duì)測(cè)試樣本的預(yù)測(cè)測(cè)試結(jié)果進(jìn)行輸出，并比較得出最終預(yù)測(cè)結(jié)果。其中，獲取用戶上下文信息和圖片特征數(shù)據(jù)集的方法包括以下步驟：步驟101、獲取用戶上傳到移動(dòng)互聯(lián)網(wǎng)上的圖片，獲取發(fā)圖用戶的基本信息，用戶基本信息包括用戶的ID、性別、活躍度、發(fā)圖習(xí)慣、影響力和使用終端類型；步驟102、收集并記錄所述圖片的相關(guān)信息和圖片對(duì)應(yīng)的用戶上下文信息；步驟103、圖片預(yù)處理，提取圖片的SIFT特征：將下載到的圖片進(jìn)行預(yù)處理操作，構(gòu)建尺度空間，使用高斯核和高斯微分建立高斯金字塔，檢測(cè)尺度空間的極值點(diǎn)，精確定位極值點(diǎn)，確定關(guān)鍵點(diǎn)的位置、尺度和主方向，生成128維的SIFT特征向量；步驟104、構(gòu)建SIFT特征池：對(duì)每張圖片的SIFT特征向量進(jìn)行統(tǒng)計(jì)分析：總共有n個(gè)用戶，每個(gè)用戶發(fā)p張圖片，將提取的所有圖片的SIFT特征向量拼接構(gòu)成SIFT特征池P；步驟105、聚類：對(duì)SIFT特征池中的特征向量采用K-Means++算法進(jìn)行聚類，得到C個(gè)聚類中心，Ci對(duì)應(yīng)一個(gè)用戶分類原型；步驟106、構(gòu)建特征向量，生成數(shù)據(jù)集：對(duì)于給定的一個(gè)用戶，fj表示從圖片中提取的第j個(gè)SIFT特征，若與fj最接近的分類原型是Ci，則用戶對(duì)應(yīng)的該分類原型增加1。由此計(jì)算得到描述用戶的特征向量，生成數(shù)據(jù)集。最后應(yīng)說(shuō)明的是：顯然，上述實(shí)施例僅僅是為清楚地說(shuō)明本申請(qǐng)所作的舉例，而并非對(duì)實(shí)施方式的限定。對(duì)于所屬領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在上述說(shuō)明的基礎(chǔ)上還可以做出其它不同形式的變化或變動(dòng)。這里無(wú)需也無(wú)法對(duì)所有的實(shí)施方式予以窮舉。而由此所引申出的顯而易見的變化或變動(dòng)仍處于本申請(qǐng)型的保護(hù)范圍之中。本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
基于社交圖片SIFT特征的上下文信息預(yù)測(cè)方法，其特征在于，包括以下步驟：步驟1、獲取用戶上下文信息和圖片特征數(shù)據(jù)集；步驟2、采用十字交叉驗(yàn)證法將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集；步驟3、將訓(xùn)練集訓(xùn)練SVM和GBDT分類模型，以供預(yù)測(cè)時(shí)使用；步驟4、用訓(xùn)練好的SVM模型和GBDT模型分別預(yù)測(cè)測(cè)試集的數(shù)據(jù)，對(duì)于用SVM訓(xùn)練出的分類模型，使用SVM預(yù)測(cè)算法測(cè)試測(cè)試集，對(duì)于用GBDT訓(xùn)練出的分類模型，使用GBDT預(yù)測(cè)算法測(cè)試測(cè)試集；步驟5、對(duì)測(cè)試樣本的預(yù)測(cè)測(cè)試結(jié)果進(jìn)行輸出，并比較得出最終預(yù)測(cè)結(jié)果。

【技術(shù)特征摘要】
1.基于社交圖片SIFT特征的上下文信息預(yù)測(cè)方法，其特征在于，包括以下步驟：步驟1、獲取用戶上下文信息和圖片特征數(shù)據(jù)集；步驟2、采用十字交叉驗(yàn)證法將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集；步驟3、將訓(xùn)練集訓(xùn)練SVM和GBDT分類模型，以供預(yù)測(cè)時(shí)使用；步驟4、用訓(xùn)練好的SVM模型和GBDT模型分別預(yù)測(cè)測(cè)試集的數(shù)據(jù)，對(duì)于用SVM訓(xùn)練出的分類模型，使用SVM預(yù)測(cè)算法測(cè)試測(cè)試集，對(duì)于用GBDT訓(xùn)練出的分類模型，使用GBDT預(yù)測(cè)算法測(cè)試測(cè)試集；步驟5、對(duì)測(cè)試樣本的預(yù)測(cè)測(cè)試結(jié)果進(jìn)行輸出，并比較得出最終預(yù)測(cè)結(jié)果。2.根據(jù)權(quán)利要求1所述的基于社交圖片SIFT特征的上下文信息預(yù)測(cè)方法，其特征在于，所述獲取用戶上下文信息和圖片特征數(shù)據(jù)集的方法包括以下步驟：步驟101、獲取用戶上傳到移動(dòng)互聯(lián)網(wǎng)上的圖片，獲取發(fā)圖用戶的基本信息；步驟102、收集并記錄所述圖片的相關(guān)信息和圖片對(duì)應(yīng)的用戶上下文信息；步驟103、圖片預(yù)處理，提取圖片的SIFT特征：將下載到的圖片進(jìn)行預(yù)處理操作，構(gòu)建尺度空間，使用高斯核和高斯微分建立高斯金字塔，檢測(cè)尺度空間的極值點(diǎn)，精確定位極值點(diǎn)，確定關(guān)鍵點(diǎn)的位置、尺度和主方向，...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王永，
申請(qǐng)(專利權(quán))人：鄭州埃文計(jì)算機(jī)科技有限公司，
類型：發(fā)明
國(guó)別省市：河南;41