半监督学习及其在社交媒体分析中的应用

摘要

在许多实际的学习场景中，获得大量的带标记的训练数据是代价昂贵并且耗费时间的。半监督学习算法(SSL)是一种机器学习模型，它试图利用少量标记数据和大量无标记数据去构建一个更好的分类器或是回归模型。在实际应用中，无标记数据比标记数据更容易获取，因此半监督学习算法的应用非常广泛。随着社交媒体的快速发展，社交媒体上产生了大量无标记数据，这使得半监督学习在社交媒体的分析中的应用越来越广泛。本文结合社交媒体的特征，将半监督学习应用到社交媒体分析中。
　　论文首先介绍了社交媒体中的多模态数据，并引入多模态半监督学习的概念。在社交媒体中，存在大量多模态数据。例如:在社交媒体图像分类问题中，既可以根据图像本身包含的视觉信息对图像进行分类，也可以利用图像的标签或评论等文本信息进行分类。由于不同的模态数据展示了主体的不同侧面，这些多模态信息是相容且互补的。有效利用这些多模态数据，可以更好地把握社交媒体数据所包含的信息。在分析了相关工作的基础上，结合社交媒体的特征，对多模态半监督分类问题给出了定义。提出了多模态半监督学习算法，详细介绍了算法的步骤，并将其应用到社交媒体图像的分类中。
　　其次，介绍了社交媒体中图像裁剪的方法，并将半监督学习算法引入到图像裁剪中，提出了一种自动裁剪算法。实验证明该算法能够适应多种构图规则，且结合了社交媒体图像的特征，能够较好的改进社交媒体图像的美学质量。

目录

声明

摘要

第1章 绪论

1．1 课题背景及研究的目的和意义

1．2 国内外研究现状

1．3 论文研究内容

1．4 论文组织结构

第2章 半监督学习概览

2．1 引言

2．2 半监督学习假设

2．2．1 平滑性假设

2．2．2 聚类假设

2．2．3 流形假设

2．3 经典的半监督分类方法

2．3．1 生成式模型

2．3．2 协同训练

2．3．3 基于图的半监督学习方法

2．4 本章小结

第3章 多模态半监督学习在图像分类中的应用

3．1 多模态数据

3．2 问题描述

3．3 相关工作

3．4 算法描述

3．4．1 问题定义

3．4．2 半监督学习

3．4．3 支持向量回归

3．5 实验结果与分析

3．5．1 实验数据集

3．5．2 实验设置

3．5．3 实验结果

3．6 本章小结

第4章 基于半监督学习的图像裁剪算法

4．1 引言

4．2 相关工作

4．2．1 基于注意力的方法

4．2．2 基于美学的方法

4．3 图像裁剪

4．3．1 视觉构图

4．3．2 兴趣特征

4．3．3 半监督学习模型

4．3．4 边界简单化

4．3．5 裁剪约束

4．3．6 算法描述

4．4 实验结果与分析

4．4．1 实验数据集

4．4．2 实验设置

4．4．3 实验结果

4．5 本章小结

第5章 结论与展望

5．1 结论

5．2 展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢