摘要
近年来，短视频由于其易于传播、内容丰富、播放时长短等特点，迎合了人们快节奏的生活方式，成为最受欢迎的新兴媒体之一。针对海量短视频资源进行智能化分析技术，已成为进一步提升短视频服务质量和构建创新应用模式的关键。但短视频时长较短，需要挖掘短视频内部的潜在信息，才能更好的进行多标签分类。为此，本文引入深度矩阵分解技术，希望能获得短视频在复杂结构数据上高级语义表征，从而解决短视频多标签分类的问题。 为了获取低维的潜在信息和样本特征与类别特征之间的互补关系，本文提出了一种低秩正则化协同深度矩阵分解算法。该算法将样本特征和类别特征协同分解为两个系列的基矩阵和对应的重构特征，在协同分解的过程中低秩的约束被施加在样本特征和类别特征的重构特征上，用来消除其间的冗余信息。为了增强判决性信息的学习，算法还构造了一个联系样本特征、类别特征和标签的三元约束项。最后在大规模的短视频数据库上进行了实验测试，验证了该方法的有效性。 为了同时挖掘样本特征和标签的深层次表征，本文提出了一种基于样本特征域和标签域的双向深度矩阵分解算法，该算法分别对样本特征和样本标签进行纵向深度矩阵分解，来获取特征的潜在信息以及标签的细粒度表征。在双向分解的过程中，对各层重构特征和生成标签进行低秩约束以去除冗余信息。最后，通过一个基于类别间关联度学习的三元约束项来建立各层重构特征与生成标签之间的联系。在大规模短视频数据库上的实验测试，该算法在mAP、OneError、Coverage、Rankingloss性能方面相比经典算法有大幅提升。
NETL