本發(fā)明專利技術(shù)通過分析用戶上傳到移動互聯(lián)網(wǎng)上的圖片數(shù)據(jù)，預(yù)測圖片的內(nèi)容、用戶的性別、天氣狀況以及活動場景等用戶上下文信息。獲取用戶上傳到移動互聯(lián)網(wǎng)上的圖片數(shù)據(jù)，對圖片進(jìn)行統(tǒng)計(jì)分析，并計(jì)算相應(yīng)數(shù)字特征。將一張圖片的所有數(shù)字特征作為圖片特征向量，通過圖片ID和用戶ID將用戶的上下文信息和圖片特征向量關(guān)聯(lián)起來，分析圖片數(shù)據(jù)與用戶上下文信息之間的關(guān)系，從而達(dá)到依據(jù)圖片數(shù)據(jù)預(yù)測用戶的上下文信息的目的。采用SVM和KNN模型實(shí)現(xiàn)對用戶的上下文信息的分類預(yù)測。本發(fā)明專利技術(shù)將用戶的性別、活動場景等作為二分類問題處理，天氣狀況、圖片內(nèi)容等作為多分類問題處理。本發(fā)明專利技術(shù)實(shí)施例的有益效果是，通過分析用用戶上傳到移動互聯(lián)網(wǎng)上的圖片數(shù)據(jù)可以對用戶的性別、活動場景、圖片內(nèi)容、天氣狀況等上下文信息做出預(yù)測，經(jīng)過實(shí)驗(yàn)?zāi)軌颢@得有效的預(yù)測效果。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及移動互聯(lián)網(wǎng)技術(shù)，具體涉及。
技術(shù)介紹
在移動互聯(lián)網(wǎng)時代，圖片成為了人們?nèi)粘Ｉ畹囊徊糠郑脩舨辉倭?xí)慣于通過文字表達(dá)情感，而更傾向于把周圍所發(fā)生的事以圖片的形式展示出來。圖片逐步取代文字，更多的內(nèi)容創(chuàng)作將會向圖片傾斜，圖片更能符合移動互聯(lián)網(wǎng)時代的時間碎片化、行為移動化以及體驗(yàn)極致等時代特性。社交網(wǎng)上的圖片與用戶的上下文信息密切相關(guān)，用戶的上下文信息在移動互聯(lián)網(wǎng)應(yīng)用中扮演著重要角色。目前用戶上下文信息多數(shù)是靜態(tài)感知的，通過移動終端的硬件設(shè)備來獲取，而通過圖片數(shù)據(jù)來獲取的方法還是很少，本專利技術(shù)就提供了一種通過圖片數(shù)據(jù)預(yù)測用戶上下文信息的方法。用戶上下文信息預(yù)測就是通過分析用戶上傳到移動互聯(lián)網(wǎng)上的圖片來預(yù)測用戶的性別、愛好、職業(yè)、活動場景以及天氣狀等上下文信息。本專利技術(shù)對用戶上下文信息的研究主要集中在用戶上傳到移動互聯(lián)網(wǎng)的社交圖片上。采取的分類方法主要是KNN(k-NearestNeighbor)算法和 SVM(Support Vector Machine)算法。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的是提供。使用本專利技術(shù)提供的實(shí)施例，可以通過分析用戶上傳到移動互聯(lián)網(wǎng)上的圖片對用戶的上下文信息進(jìn)行預(yù)測。本專利技術(shù)通過分析用戶上傳到移動互聯(lián)網(wǎng)上的圖片，預(yù)測用戶的性別和活動場景、天氣狀況等上下文信息。從用戶智能手機(jī)安裝的社交APP (Applicat1n)出發(fā)，根據(jù)社交APP提供的公共交流平臺(如朋友圈)，獲取用戶在移動互聯(lián)上發(fā)表的圖片數(shù)據(jù)，記錄每張圖片的發(fā)圖用戶信息、圖片描述的內(nèi)容信息，包括圖片中的天氣狀況、活動場景、地理位置以及時間等。將獲取到的圖片進(jìn)行預(yù)處理；然后通過灰度矩陣、顏色矩陣、灰度共生矩陣等提取圖片的若干特征。由于不同類型的用戶或者用戶在不同場景下所發(fā)表的圖片具有不同的數(shù)字特征，同一類型的用戶在類似的場景下的圖片具有類似的數(shù)字特征，故本專利技術(shù)以此為依據(jù)來預(yù)測用戶的上下文信息。具體計(jì)算過程如下:分別計(jì)算每張圖片的灰度矩陣、灰度共生矩陣、顏色矩陣，并在每個矩陣上提取數(shù)學(xué)統(tǒng)計(jì)特征，得到一組數(shù)字特征。一張圖片的所有數(shù)字特征組成圖片特征向量。圖片ID(Identity)對應(yīng)該圖片的特征向量，用戶ID對應(yīng)用戶的上下文信息。關(guān)聯(lián)用戶ID和圖片ID，可得到圖片特征向量與用戶上下文信息之間的關(guān)聯(lián)關(guān)系。分析圖片特征向量與用戶上下文信息之間的關(guān)系，從而達(dá)到依據(jù)用戶發(fā)表的圖片預(yù)測用戶上下文信息的目的。可采用SVM和KNN模型實(shí)現(xiàn)對用戶的上下文信息的分類預(yù)測。本專利技術(shù)將用戶的性另IJ、活動場景等作為二分類問題處理，天氣狀況、圖片內(nèi)容等作為多分類問題處理。該方法的步驟包括:1、使用用戶在移動終端安裝的社交軟件，通過社交軟件提供的公共交流平臺，獲取用戶上傳到移動互聯(lián)網(wǎng)上的圖片，并記錄圖片和對應(yīng)的用戶上下文信息；2、對圖片預(yù)處理，構(gòu)建提取特征所用的灰度矩陣、灰度共生矩陣和顏色矩陣；3、在上述的各矩陣上統(tǒng)計(jì)分析，計(jì)算并提取圖片的數(shù)字特征。每個矩陣提取若干個特征值，每張圖片總共提取m個特征值，構(gòu)成圖片特征向量P(圖片ID，特征值1，特征值2，…，特征值m)1Xni;4、每個用戶發(fā)表p張圖片，共η個用戶，可得到特征值矩陣R(用戶ID，圖片特征向P) (n*p) Xm，5、通過關(guān)鍵字圖片ID和用戶ID，將圖片的特征值矩陣和用戶的上下文信息關(guān)聯(lián)，將用戶的上下文信息設(shè)置為類標(biāo)；6、用訓(xùn)練數(shù)據(jù)分別訓(xùn)練SVM和KNN分類模型；7、訓(xùn)練好的SVM和KNN模型分類預(yù)測測試樣本；8、輸出對測試樣本的測試結(jié)果，并比較得出最終結(jié)果。最后，實(shí)施本專利技術(shù)具有以下有益效果:通過分析用戶智上傳到移動互聯(lián)網(wǎng)上的圖片可以對用戶的性別、活動場景、圖片內(nèi)容等用戶上下文信息做出預(yù)測，經(jīng)過實(shí)驗(yàn)?zāi)軌颢@得有效的預(yù)測效果。【附圖說明】為清楚闡述本專利技術(shù)的內(nèi)容，將使用如下附圖作為輔助說明之用:圖1是獲取用戶上下文信息和圖片特征數(shù)據(jù)集的流程圖；圖2是數(shù)據(jù)集預(yù)測用戶上下文信息的算法流程圖。【具體實(shí)施方式】為使本專利技術(shù)實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本專利技術(shù)實(shí)施例中的附圖，對本專利技術(shù)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述。在本實(shí)施例中，如圖1所示，提供本專利技術(shù)提出的方法的特征數(shù)據(jù)集獲取的算法流程:步驟101、通過社交軟件獲取用戶上傳到移動互聯(lián)網(wǎng)上的圖片。在測試用戶的移動終端登錄登陸社交軟件，通過社交軟件提供的公共交流平臺，下載其好友在最近的一段時間內(nèi)發(fā)到移動互聯(lián)網(wǎng)上的照片。步驟102、記錄圖片內(nèi)容信息和圖片對應(yīng)的用戶上下文信息。記錄圖片所描述的場景、天氣狀況以及是室內(nèi)還是室外等內(nèi)容信息，并記錄發(fā)圖用戶的ID、愛好、職業(yè)、性別等基礎(chǔ)信息。步驟103、圖片預(yù)處理，構(gòu)建灰度、顏色等矩陣和灰度矩陣。將下載到的圖片進(jìn)行預(yù)處理操做，并把圖片轉(zhuǎn)換成基于像素點(diǎn)的灰度矩陣、顏色矩陣、灰度共生矩陣等形式，以便于計(jì)算。步驟104、對各個矩陣統(tǒng)計(jì)分析，計(jì)算并提取數(shù)據(jù)特征。在上述各個矩陣上統(tǒng)計(jì)分析，計(jì)算并提取數(shù)字特征，每個矩陣提取若干個特征值，每張圖片總共提取m個特征值，m個特征值和圖片ID組成圖片特征向量P (圖片ID，特征值1，特征值2，…，特征值m)丨Χηι。步驟105、總共有η個用戶，每個用戶發(fā)p張圖片，將所有圖片向量和用戶ID轉(zhuǎn)化成圖片特征值矩陣。每張圖片得到的數(shù)字特征不同，所對應(yīng)的用戶上下文信息也不同。將所有的圖片特征向量和用戶ID組合，得到圖片特征值矩陣R(用戶ID，圖片特征向量Ρ) (_)Χηι。步驟106、通過圖片ID和用戶ID，得到用戶的上下文信息，將其設(shè)為類標(biāo)。通過圖片ID取得圖片的內(nèi)容信息，如圖片上的天氣、場景等，通過用戶ID取得用戶信息，如性別、愛好等，這些信息即是用戶的上下文信息，每張圖片對應(yīng)一個用戶上下文信息。將用戶上下文信息設(shè)為類標(biāo)，通過圖片ID關(guān)聯(lián)圖片特征值矩陣，形成數(shù)據(jù)集。其中，用戶上下文信息中的性別為男和女兩類，用戶的活動場景分為室內(nèi)和室外兩類，天氣狀況分為晴、陰、雨、雪四類，圖片描述內(nèi)容分為人物、景物、食物等多類。在本實(shí)施例中，如圖2所示，提供本專利技術(shù)提出的預(yù)測用戶上下文信息方法的算法流程:步驟201、將數(shù)據(jù)隨機(jī)等分為訓(xùn)練集和測試集。數(shù)據(jù)隨機(jī)分為訓(xùn)練集和測試集，訓(xùn)練集是測試集的4倍，訓(xùn)練集用于訓(xùn)練SVM和KNN分類模型。步驟202、訓(xùn)練集用于訓(xùn)練SVM和KNN分類模型。對于不同的用戶上下文信息分別訓(xùn)練出性別分類模型、活動場景分類模型和圖片內(nèi)容分類模型等，用于預(yù)測的時候使用。其中SVM采用Linear核函數(shù)。 步驟203、訓(xùn)練好的SVM模型和KNN模型分別預(yù)測測試集。用SVM訓(xùn)練出的分類模型使用對應(yīng)的SVM預(yù)測算法測試測試集數(shù)據(jù)；KNN訓(xùn)練出的分類模型使用對應(yīng)的KNN預(yù)測算法測試測試集數(shù)據(jù)。步驟204、輸出對測試樣本的預(yù)測測試結(jié)果，并比較結(jié)果，得出最終預(yù)測的結(jié)果。盡管上面對本專利技術(shù)說明性的【具體實(shí)施方式】進(jìn)行了描述，以便于本
的技術(shù)人員理解本專利技術(shù)，但應(yīng)該清楚，本專利技術(shù)不限于【具體實(shí)施方式】的范圍，對本
的普通技術(shù)人員來講，只要各種變化在所附的權(quán)利求限定和確定的本專利技術(shù)精神和范圍內(nèi)，這些變化是顯而易見的，一切利用本專利技術(shù)構(gòu)思的專利技術(shù)創(chuàng)造均在保護(hù)之列。【主權(quán)項(xiàng)】1.，其特征在于:首先在用戶所使用社交工具上，獲取用戶一段時間內(nèi)上傳到移動互聯(lián)網(wǎng)上的圖片數(shù)據(jù)；對發(fā)圖用戶的上本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
一種基于移動互聯(lián)網(wǎng)社交圖片預(yù)測用戶上下文信息的方法，其特征在于：首先在用戶所使用社交工具上，獲取用戶一段時間內(nèi)上傳到移動互聯(lián)網(wǎng)上的圖片數(shù)據(jù)；對發(fā)圖用戶的上下文信息進(jìn)行標(biāo)記；計(jì)算并提取圖片的數(shù)字特征，得到特征向量(用戶ID，圖像ID，特征值1，特征值2，…，特征值n)，將所有圖片數(shù)據(jù)的特征向量(用戶ID，圖像ID，特征值1，特征值2，…，特征值n)轉(zhuǎn)化為圖片特征值矩陣；通過圖片ID、用戶ID關(guān)聯(lián)圖片特征向量和發(fā)圖用戶的上下文信息，將用戶的上下文信息作為類標(biāo)；將數(shù)據(jù)隨機(jī)的分為訓(xùn)練集和測試集，使用SVM、kNN等算法對訓(xùn)練集中發(fā)圖用戶的上下文信息訓(xùn)練預(yù)測模型，并對測試集中用戶的上下文信息進(jìn)行預(yù)測，最后輸預(yù)測結(jié)果。
【技術(shù)特征摘要】
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：秦臻，任懷貴，余林芳，
申請(專利權(quán))人：電子科技大學(xué)，
類型：發(fā)明
國別省市：四川;51
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。