基于启发式规则的多媒体主题信息挖掘.pdfVIP

基于启发式规则的多媒体主题信息挖掘 邱鸥2，封化民1，宋国森2 (1．北京电r科技学院信息安全与保密藿点实验室，北京100070； 2．燕山大学信息T程学院，秦皇岛066004) 摘 要：随着Internet的发展，Web上信息呈爆炸式增长趋势，呈现方式也愈发多种多样，这 就给多媒体内容的检索，信息提取等计算机处理带来了巨大困难。针对信息提取后，网页的多 媒体内容的不一致性，该文提出了一种web网页多媒体信息提取的融合算法．该算法通过对图 像和文本的语义的融合．判断通过信息提取后的网页中的各种形态的内容是否一致。对来自30 个网站的307个网页进行测试后的实验表明．本文提出的方法是可行的． 关键词：内容挖掘语义融合模型 自信息量 1．引言 存如今信，烈爆发I’川时代。髂个网络形成了一个海萤彩蚁体数据摩．人们越来越依柏从 web网页中获取信息．网页中的信息每天都在以白。万计的数节进行更新．冈此从浩瀚的信息 海洋t扣狭取自己想得剑l，l勺信息足很t*J难的事情，这使得如何从信息海洋。|J扶墩有用的信息和 对这些信息进行处理及web挖捌成为研究的热点课题．众所Jl；[；】知，现在已经出现的功能强人 的搜索引擎入google、baidu等为我们从网络中得剑信息提供了‘‘定n勺帮助，然而EJ前的 网络引擎甲均只能检索25％的可j犬取信息，其返同结果经常会包含人带J’门无用信息，无法满 足人们的需要[1]。随着Web上的信息成爆炸式增长，各种各样的资料数据令人目不暇接。 在完成了Web页面结构分析后，Web内容的语义分析和关联分析就成了web挖掘发展的瓶颈。 Web页面的内容包含有人节的多媒体信息如文本信息，图片甚至视频，音频等信息，要把各 种不同的信息进行融合。以建立多种媒体信息流的语义融合模型，从而获墩更多的信息。目 fj{『这方面的研究尚处在初步研究阶段。 网页中的图片更新速度快，信息节巨人，但足人们发现浏览网页fn时候通常出现‘些资 料图片或扦根本与网页lF艾上题无关的图片，这样根据网页正义f向内棒束对图片进行分类或 杆检索就会出现不理想的搜索结果。为减少这种错误，本文提出了图像语义与文本语义融合 的方法。埘来自30个网站的307的刚页的实验测试，表明该方法足有效的。木文的组纵结构如 卜．：第■部分给出了”4些研究相关下作，第三部分对算法进行描述ji：给出实验步骤，在第四 部分给出实验结果，第兀部分对实验结果进行分析的出结论并讨论未来的研究工作。 2． 相关工作 web挖掘一·般分为三个方面，即web结构挖掘(及对网页的页而缶’i构进行分析，对网页 的上题进行抽墩等)、wob内棒挖拥(利川机器。学习、知识发现、数据挖抓{等对web内弈进 行分析)、站点口志挖圳(挖掘川』、访问web的习惯方式等)。其L{。web内弈挖掘的研究最为 璃企J{；!几：嘲家rI然干}学艰会资呐砌f1(60／172082) 重庆，燕t11人学颂：Ij研究，} 作青fi；)介：封化民(1H6：，一)．粥(汝)，陕曲，教授。邱Wg男(汉)． E-nl：，ti l：!!!gb!!b!j!!：!g!：!!!g!!!B!!!!!!!!：!!!：￡1 301 广泛，大致从三个方向来研究web内容挖掘：基于语义的…、基于数据库挖掘关联规则幢’和 基于数据库的多媒体内弈挖掘u1。 网页中的图片可以看作是一种多媒体数据。现有的对图像挖捌的研究都是基于图像内容 的图像分类和图像检索等，有很多学者都提出了基于图像语义或者结合图像语义与图像内窖 对图像检索和分类的算法或糟模型结构H¨5|m川；也有很多比较完整的系统如Ifind系统等： 在上个1廿纪90年代中期围外提出VisualSemantics，是在报纸新闻qJ通过从有文本伴随的图 片中提取视觉感觉信息。并基于VisualSemantics建立一一个PICTION系统哺‘。这些系统或算 法都是直接把图片周同的文本信息!氲接当作图片的语义。当图片所讲述的内容与文本信息不 一致时，很容易导致图片分类和检索错误。因此挖掘图片内容与文本内容是否一致就成了减 少这种错误的一个重要手段。为此，本文提出了一种web网页多媒体信息提取的融合算法。 该算法通过对图像和义本的语义的融合，判断通过信息提取后的网