跨域的圖片情感分析.pdf

1、隨著社交時代的到來，越來越多的人們選擇通過網(wǎng)站或者應(yīng)用程序(例如Flickr)分享自己的圖片，并且通過文本評論的方式與其他人進(jìn)行互動。精準(zhǔn)識別大量此類圖片傳達(dá)的情感在很多方面被證明有十分重要的研究價值和應(yīng)用價值，比如圖片檢索和社交媒體分析。因此，圖片情感分析在近幾年得到越來越廣泛的關(guān)注和研究，而跨域的圖片情感分類更是一個充滿挑戰(zhàn)的研究課題。例如，不同領(lǐng)域間的圖片內(nèi)容本身存在較大的差異性，而且不同領(lǐng)域間用來表達(dá)圖片情感傾向的特征更是千差萬

2、別。本文針對跨域的圖片情感分類這個熱門且新穎的課題進(jìn)行討論和研究，并提出該問題的有效解決方案。
　　當(dāng)前已經(jīng)有一些研究方法可以用來解決圖片情感分類問題，其中絕大多數(shù)都是通過在大量有標(biāo)記的訓(xùn)練集上提取圖片的視覺特征進(jìn)行有監(jiān)督學(xué)習(xí)，訓(xùn)練經(jīng)典的機(jī)器學(xué)習(xí)分類模型，比如支持向量機(jī)(SVM)、樸素貝葉斯(NB)等。然而，在解決跨域的圖片情感分類問題上，這些方法卻稍顯不足。這些方法在解決該問題時面臨的主要挑戰(zhàn)包括:(1)大量的有標(biāo)記數(shù)據(jù)是有監(jiān)督

3、學(xué)習(xí)方法賴以存在的基礎(chǔ)，雖然現(xiàn)在我們可以很容易的得到上百萬甚至上億的圖片數(shù)據(jù)，但是對這些原始數(shù)據(jù)進(jìn)行正確的情感標(biāo)注卻是耗時耗力的工程;(2)在真實的應(yīng)用程序中通常存在大量的圖片域（比如Flickr有1，187個域[1]），而不同領(lǐng)域間的圖片即使有相似的視覺特征，其所表達(dá)的情感傾向也有可能是相反的，如圖1.2所示，“face”領(lǐng)域的負(fù)向圖片和“car”領(lǐng)域的正向圖片具有相似的色彩柱狀圖;(3)在每個領(lǐng)域上訓(xùn)練特定的圖片情感分類模型必然要求

4、每個領(lǐng)域上都有大量有標(biāo)記的訓(xùn)練數(shù)據(jù)，又回到挑戰(zhàn)(1)，而在整體數(shù)據(jù)集上訓(xùn)練通用的分類模型則會造成其在每個領(lǐng)域上的表現(xiàn)效果可能都不盡如人意。因此，在已知含標(biāo)記數(shù)據(jù)的域即源域和不含標(biāo)記數(shù)據(jù)的域即目標(biāo)域的前提下，如何訓(xùn)練出針對目標(biāo)域圖片數(shù)據(jù)的情感分類模型，即解決跨域的圖片情感分類問題是一個迫在眉睫的研究課題。
　　本文對真實的社交數(shù)據(jù)集(比如Flickr)進(jìn)行一系列統(tǒng)計和分析，針對當(dāng)前研究成果存在的不足，提出帶權(quán)重的協(xié)同訓(xùn)練方法(CoD

5、S)來解決跨域的圖片情感分類問題。該方法的提出主要基于以下幾點事實:(1)伴隨著圖片出現(xiàn)的通常有一些文本數(shù)據(jù)，比如來自其他人的評論，并且這些評論數(shù)據(jù)通常包含評論人的情感信息，而評論文本的情感傾向通常和圖片的情感傾向一致;(2)雖然不同領(lǐng)域間的圖片特征有很大差異，但是源域和目標(biāo)域圖片和文本間仍存在一些共性特征有待挖掘。因此，在訓(xùn)練分類模型時，本文提出帶權(quán)重的協(xié)同訓(xùn)練方法。該方法不僅考慮圖片數(shù)據(jù)，也將圖片相對應(yīng)的文本數(shù)據(jù)考慮在內(nèi)，分別計算源