視頻搜索結果分析及其可視化方法研究與應用.pdf

1、隨著互聯(lián)網的飛速發(fā)展和廣泛應用，以谷歌，百度為代表的搜索引擎已逐漸成為人們查詢和獲取信息的重要途徑。然而，由于大量存在的Web信息和查詢本身的歧義性，傳統(tǒng)搜索引擎以線性列表返回的結果集過于龐大和雜亂，導致用戶無法快速而準確地定位所需信息。一種行之有效的解決辦法是對搜索結果進行聚類，形成若干主題相關的分類，從而引導用戶查詢過程，減輕用戶查詢負擔。
　　 本文以視頻系統(tǒng)的應用為背景，就搜索結果聚類分析中的核心技術，聚類結果可視化方法

2、中的若干關鍵問題展開了具體的研究工作。文中應用了粗糙集（Rough Sets）、向量空間模型(Vector Space Model)和遺傳算法( Genetic Algorithm)的理論知識，給出了K-means聚類中的K值學習算法，改進了K-means聚類初始質心的選取算法，提出了一種新的聚類結果可視化方法。
　　 結合粗糙集和向量空間模型的相關理論，本文引入基于容錯粗糙集（Tolerance Rough Sets）的文本表

3、示方法，豐富了對視頻標題和摘要文本的描述，避免了傳統(tǒng)方法只考慮特征詞之間的互斥性而忽略相關性，缺乏對文本內容的概括，以致影響最終聚類結果的情形。文中利用特征詞協(xié)同出現的關系構造特征詞容錯類，然后生成視頻標題和摘要文本的上近似集表示，從而為聚類算法提供了良好的數據輸入，以保證聚類結果的有效性。
　　 K-means是一種常用的基于劃分的聚類算法，聚類效果較好，對大數據集是相對可伸縮的和有效率的。然而，K-means聚類中K值的確定

4、方法存在著嚴重的不合理性，初始質心的隨機選取又導致了聚類結果的不穩(wěn)定性，使得該算法的聚類質量在大多數情況下不夠理想。本文結合遺傳算的全局優(yōu)化特性與K-means算法的局部優(yōu)化特性，給出了用于K值學習的遺傳算法，并改進了初始質心的選取算法，以提高聚類算法的性能。此外，考慮到文本類屬的多樣性，文中借鑒了模糊聚類(Fuzzy Clustering)的思想，采用可生成K個重疊簇的K-means算法進行文本聚類。
　　 最后，本文在對粗糙