语义技术在基于网络应用程序中的研究

摘要

近些年来，由于社交网络，博客等以信息为中心的应用程序产生了海量的数据，信息提取和管理等话题获得广泛的关注。数据的形式可以是文本，图片，视频，或者任意两个或多个形式之间的组合。非结构化或无组织的数据是最简单的数据形式，它可以在任何应用场景中产生。因此，最近提出了语义技术。语义技术结合了本体与语义相关的方法，来提取和管理在网络上的多模态内容。本论文致力于利用语义技术实现两个热门的基于网络的应用，分别是网络视频自动分类和灾难管理。关于网络视频分类，采用文本信息会存在以下情况，例如文本有噪声，句意模糊或者信息丢失，因此本论文主要关注基于视觉内容来实现视频分类。研究的主要贡献如下。
　　为了解决基于内容特征的网络视频分类问题，论文利用大规模多媒体概念本体(LSCOM)来提取图像或者视频中有用的视觉信息，然后利用语义相关性的方法，结合已提取的相关视觉信息，来确定视频的分类。该框架主要包括三部分:首先，训练了类别预测分类器(CNC)，利用视觉特征来对网络视频进行分类。然后，为了提高分类性能，使用了VIREO-374的概念分类器来提高CNC的性能。最后，为度量每个类中的各个概念，论文提出了一种增强Flickr上下文空间(FECS)，即特定类别概念分类器(CSC)。再在关键帧级别中将CSC分类器和CNC分类器融合。最后，将由文本标签产生的上下文的类别预测分类器(CXC)与提高的CNC分类器结合，提高视频分类的性能。基于MCG-WEBV和CCV两个大规模数据集的实验表明，该框架提高了网络视频分类的性能。
　　接下来，本论文用不同的方式解决了网络视频自动分类问题。首先利用了外部支持，创建了一个类别区分词的语义列表，然后利用语义相关性的方法将高级概念映射到类别区分词，以实现视频的分类。为了解决网络视频自动分类问题，论文提出了一个三步骤的框架。首先，阐述了基于内容的视频分类。作者先训练了类别分类器，然后通过谷歌距离(NGD)度量了每个视频的高级概念和归一化类别区分词(CDTs)之间的语义相关性。CDTs是在开放目录项目(ODP)和大型网络视频上构建的。接着，论文研究了基于上下文的视频分类。首先提出向量空间模型(VSM)来计算每个视频的文本特征与CDTs相似度，然后通过NGD来度量每个视频的文本特征与CDTs语义相关性。最后，结合内容和上下文特征的分类方法来提高网络视频分类的性能。该方案的有效性在大规模视频数据集上得到了验证。
　　为了更有效的利用本体，本论文实现了另一个基于网络的应用——灾难管理系统。关于灾难管理系统，本论文从不同的在线资源研究了灾难领域，并且建立了一个灾难本体，用于自动从网络文件中提取灾难相关的文本信息。为了使灾难管理过程自动化，提出在语义灾难管理系统中对本体进行双重使用。首先，本体可以用作背景知识，用于发现和选择有效资源。其次，在本体实例化之后，他们可以作为支持决策制定过程的依据。利用语义技术，提出了灾难本体的概念，其包含灾难管理中灾难的固有性质、灾难引起的损失以及需要的服务等主要因素。在灾难网络文件上进行的实验表明，与传统的爬取相比，本体驱动的爬取在资源发现和选择方面更有效。

目录

声明

摘要

ABSTRACT

TABLE OF CONTENTS

LIST OF ABBREVIATIONS

CHAPTER 1 INTRODUCTION

1．1 Ontologies

1．1．1 Types of Ontologies

1．1．2 Roles of Ontologies

1．2 Ontology Utilization in Web-based Applications

1．2．1 Overview of Web Video Classification

1．2．2 Overview of Disaster Management

1．3 Motivation

1．4 Main Contributions

1．5 Organization of Dissertation

CHAPTER 2 BACKGROUND AND RELATED WORK

2．1 Web Video Classification

2．1．1 Textual Features based Web Video Classification

2．1．2 Low-level Features based Web Video Classification

2．1．3 Multi-Modality based Web Video Classification

2．2 High-level Concept Detectors and Semantic Relatedness Measures

2．2．1 High-level Concept Detectors

2．2．2 Semantic Relatedness Measures

2．2．3 Concept Detector Selection through Semantic Relatedness Measures

2．3 Formal Ontologies for Extracting Disaster Related Information from Web

CHAPTER 3 WEB VIDEO CATEGORIZATION USING CATEGORY-PREDICTIVE CLASSIFIERS AND CATEGORY-SPECIFIC CONCEPT CLASSIFIERS

3．1 Introduction

3．2 Category-Specific Concept Selection for Web Video Classification

3．2．1 FECS Learning

3．2．2 FECS Construction

3．3 Building CNC and CXC Classifiers

3．3．1 CNC Classifiers

3．3．2 CXC Classifiers

3．4 Integrating CNC Classifiers with CSC Classifiers

3．5 Combining refined CNC classifiers with CXC classifiers

3．6 The Algorithm

3．7 Experimental Results

3．7．1 Dataset and Performance Metrics

3．7．2 Feature Extraction and Pre-Processing

3．7．3 Classifier Selection and Parameters Adjustment

3．7．4 Performance of CNC Classifiers

3．7．5 Refining CNC Classifiers using CSC Classifiers

3．7．6 Fusing Refined CNC Classifiers with CXC Classifiers

3．7．7 Comparison with State-of-the-art Techniques

3．8 Summary

CHAPTER 4 WEB VIDEO CLASSIFICATION WITH VISUAL AND TEXTUAL SEMANTIC TECHNIQUES

4．1 Introduction

4．2 Rendering Semantic Support for Web Video Classification

4．2．1 Fetching Category Discriminative Terms through Open Directory Project and Large Scale Web Videos

4．2．2 Semantic Relevance Computation

4．3 Web Video Classification using Content Features

4．3．2 VSR based Web Video Classification

4．3．3 Content Fusion

4．4 Web Video Classification using Contextual Features

4．4．1 VSM based Web Video Classification

4．4．2 TSR based Web Video Classification

4．4．3 Contextual Fusion

4．5 Integrating Content and Context for Web Video Classification

4．6 The Algorithm

4．7 Experimental Results

4．7．1 Dataset and Evaluation Metrics

4．7．2 Feature Extraction and Pre-Processing

4．7．3 Analysis of Category Classifiers and VSR based Video Classification

4．7．4 Analysis of VSM and TSR based Video Classification

4．7．5 Analysis of Content and Context Fusion

4．8 Summary

CHAPTER 5 DESIGNING ONTOLOGY FOR CONCEPTUALIZATION AND EXTRACTION OF DISASTER INFORMATION FROM WEB

5．1 Introduction

5．2 Proposed Ontology

5．2．1 Defining Domain and Scope of Ontology

5．2．2 Reusing Existing Ontologies

5．2．3 Enumerating Important Terms

5．2．4 Defining Classes and Class Hierarchy

5．2．5 Defining Properties

5．2．6 Defining Property Restrictions

5．3 Ontology Evaluation

5．3．1 Ontology based Semantic Web Crawling

5．4 Experimental Setup and Results

5．4．1 Conventional Crawling，Ontology-driven Crawling，and their Comparison on Relevant Disaster Documents

5．4．2 Conventional Crawling， Ontology-driven Crawling，and their Comparison on Semi-relevant Disaster Documents

5．4．3 Conventional Crawling， Ontology-driven Crawling，and their Comparison on Irrelevant Disaster Documents

5．5 Summary

CHAPTER 6 CONCLUSION AND FUTURE WORK

6．1 Conclusion

6．2 Future Work

ACKNOWLEDGEMENTS

REFERENCES

LIST OF PUBLICATIONS