第12卷第6期 智能系统学报 Vol.12 No.6 2017年12月 CAAI Transactions on Intelligent Systems Dec.2017 D0:10.11992/tis.201706036 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20171109.1250.016.html 基于文本扩展模型的网络视频聚类方法 刘璐2，贾彩燕2 (1.北京交通大学交通数据分析与挖掘北京市重点实验室，北京100044；2.北京交通大学计算机与信息技术学院， 北京100044) 摘要：随着视频分享网站的兴起和快速发展，互联网上的视频数量呈爆炸式增长，对视频的组织及分类成为视频有 效使用的基础。视频聚类技术由于只需要考虑视频数据内在的簇结构、不需要人工干预，越来越受到人们的青睐。 现有的视频聚类方法有基于视频关键帧视觉相似性的方法、基于视频标题文本聚类的方法、文本和视觉多模态融合 的方法。基于视频标题文本聚类的视频聚类方法由于其简便性与高效性而被企业界广泛使用，但视频标题由于其短 文本的语义稀疏特性.聚类效果欠佳。为此，本文面向社会媒体视频，提出了一种社会媒体平台上视频相关多源文本 融合的视频聚类方法，以克服由于视频标题的短文本带来的语义稀疏问题。不同文本聚类算法上的实验结果证明了 多源文本数据融合方法的有效性。 关键词：网络视频聚类：共点击视频：相关查询词：文本聚类 中图分类号：TP391文献标志码：A文章编号：1673-4785(2017)06-0799-07 中文引用格式：刘璐，贾彩燕.基于文本扩展模型的网络视频聚类方法.智能系统学报，2017,12(6：799-805. 英文引用格式：LULu,JIA Caiyan.Veb video clustering method based on an extended text modellJ.CAAI transactions on intel-. ligent systems,.2017,12(6):799-805. Web video clustering method based on an extended text model LIU Lu2,JIA Caiyan2 (1.Beijing Key Lab of Traffic Data Analysis and Mining,Beijing Jiaotong University,Beijing 100044,China;2.School of Com- puter and Information Technology,Beijing Jiaotong University,Beijing 100044,China) Abstract:With the rapid rise and development of video sharing websites,there has been an explosive increase in web videos on the Internet.Effective organization and classification are necessary for the valid use of such videos.Video clustering technology has gained increasing popularity because it considers the internal cluster structure of video data, and no manual intervention is necessary.There are many video clustering algorithms in existence,such as those based on the visual similarity of key frames,text clustering of video titles,and multi-model fusion by integrating text and visu- al features.The video clustering method based on the text clustering of titles has become a widely used method in busi- ness because of its simplicity and efficiency.However,it performs poorly due to the semantic sparsity of short titles. Therefore,this paper proposes a video clustering method with related text fusion from multiple sources on social media platforms to overcome the semantic sparsity of short text.The experimental results on different text clustering al- gorithms demonstrate the effectiveness of this method. Keywords:web video clustering;co-click videos;relevant inquiry word;text clustering 伴随着网络多媒体技术不断的应用和发展，网爱。网络视频分享应用及网站在其不断发展中逐渐 络视频作为一种重要的传播媒介，凭借其丰富多彩 形成了独特的特点，在这些网站上用户可以申请上 的内容和便捷的传播形式深受广大网络用户的喜 传视频，也可以从海量视频中选择观看自己感兴趣 收稿日期：2017-06-09.网络出版日期：2017-11-09. 的视频。在社会媒体平台上广泛存在的视频具有如 基金项目：国家自然科学基金项目(61473030). 通信作者：贾彩燕.E-mail:cyjia@bjtu.edu.cn 下特点：
DOI: 10.11992/tis.201706036 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20171109.1250.016.html 基于文本扩展模型的网络视频聚类方法 刘璐1,2，贾彩燕1,2 （1. 北京交通大学 交通数据分析与挖掘北京市重点实验室，北京 100044; 2. 北京交通大学 计算机与信息技术学院， 北京 100044） 摘 要：随着视频分享网站的兴起和快速发展，互联网上的视频数量呈爆炸式增长，对视频的组织及分类成为视频有 效使用的基础。视频聚类技术由于只需要考虑视频数据内在的簇结构、不需要人工干预，越来越受到人们的青睐。 现有的视频聚类方法有基于视频关键帧视觉相似性的方法、基于视频标题文本聚类的方法、文本和视觉多模态融合 的方法。基于视频标题文本聚类的视频聚类方法由于其简便性与高效性而被企业界广泛使用，但视频标题由于其短 文本的语义稀疏特性，聚类效果欠佳。为此，本文面向社会媒体视频，提出了一种社会媒体平台上视频相关多源文本 融合的视频聚类方法，以克服由于视频标题的短文本带来的语义稀疏问题。不同文本聚类算法上的实验结果证明了 多源文本数据融合方法的有效性。 关键词：网络视频聚类；共点击视频；相关查询词；文本聚类 中图分类号：TP391 文献标志码：A 文章编号：1673−4785(2017)06−0799−07 中文引用格式：刘璐, 贾彩燕. 基于文本扩展模型的网络视频聚类方法[J]. 智能系统学报, 2017, 12(6): 799–805. 英文引用格式：LIU Lu, JIA Caiyan. Web video clustering method based on an extended text model[J]. CAAI transactions on intelligent systems, 2017, 12(6): 799–805. Web video clustering method based on an extended text model LIU Lu1,2 ，JIA Caiyan1,2 (1. Beijing Key Lab of Traffic Data Analysis and Mining, Beijing Jiaotong University, Beijing 100044, China; 2. School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044, China) Abstract: With the rapid rise and development of video sharing websites, there has been an explosive increase in web videos on the Internet. Effective organization and classification are necessary for the valid use of such videos. Video clustering technology has gained increasing popularity because it considers the internal cluster structure of video data, and no manual intervention is necessary. There are many video clustering algorithms in existence, such as those based on the visual similarity of key frames, text clustering of video titles, and multi-model fusion by integrating text and visual features. The video clustering method based on the text clustering of titles has become a widely used method in business because of its simplicity and efficiency. However, it performs poorly due to the semantic sparsity of short titles. Therefore, this paper proposes a video clustering method with related text fusion from multiple sources on social media platforms to overcome the semantic sparsity of short text. The experimental results on different text clustering algorithms demonstrate the effectiveness of this method. Keywords: web video clustering; co-click videos; relevant inquiry word; text clustering 伴随着网络多媒体技术不断的应用和发展，网 络视频作为一种重要的传播媒介，凭借其丰富多彩 的内容和便捷的传播形式深受广大网络用户的喜 爱。网络视频分享应用及网站在其不断发展中逐渐 形成了独特的特点，在这些网站上用户可以申请上 传视频，也可以从海量视频中选择观看自己感兴趣 的视频。在社会媒体平台上广泛存在的视频具有如 下特点： 收稿日期：2017−06−09. 网络出版日期：2017−11−09. 基金项目：国家自然科学基金项目 (61473030). 通信作者：贾彩燕. E-mail：cyjia@bjtu.edu.cn. 第 12 卷第 6 期 智 能 系 统 学 报 Vol.12 No.6 2017 年 12 月 CAAI Transactions on Intelligent Systems Dec. 2017
·800· 智能系统学报 第12卷 1)网络视频规模大，上传更新速度快； 主要有基于视觉图像的方法、基于文本特征的方 2)通常以用户制作内容和专业影视内容并存 法、基于视频其他信息（如播放列表）的方法以及多 为主要特色，内容涉及电影、音乐、科技、汽车、亲 模融合的方法。 子、时尚、体育、财经、资讯等多个主题； Lu等使用从视频帧序列提取的全局视频签 3)不同于传统图像或文本，网络视频蕴含丰富 名特征(ViSig)来表征视频，提出了基于视觉图像相 的多模态信息：视频的视觉图像、标题、描述、标签 似度的视频搜索结果聚类算法。Nguyen等从网 等文本信息，观看用户的评论，上传用户信息等： 络视频的文本元数据（视频标题、标签和描述）角度 4)网络视频时长不等，剪辑水平不等。 出发，提出了基于WordNet知识库的文本语义相似 如此规模宏大、类别众多的网络视频在丰富互 度计算方法，可以有效提高视频搜索结果的聚类效 联网信息，满足用户需求的同时，也给视频数据的 果。文献[3,7]是基于视频的多模态特征进行主题 组织和管理带来了严峻的挑战。传统的解决办法是 聚类。HindIe等集成网视频的视觉特征和文本 视频上传者或者网站管理员人工标注视频的类别， 特征，利用有界坐标系统(BCS)模型将视频的视觉 然而这一方法耗时耗力，并且容易受到人为不稳定 特征用紧凑签名来表示，然而在计算文本相似度 的主观影响。有学者提出利用基于监督或半监督的 时，该方法将文本近似视为“词袋”，直接统计两个文 视频自动分类技术，但是大部分分类方法仍旧需 本共有词的个数，忽略了文本信息的高级语义知 要充足的高质量训练样本。因此，研究人员尝试利 识。Huang等针对网络视频包含的丰富信息，分 用无监督的机器学习模型—聚类来进一步组织网 别计算低层视觉图像特征、高层语义特征和文本特 络视频数据，提出了多种基于文本、视觉及多模融 征的相似度，然后将各个模态融合计算网络视频的 合的视频聚类方法。另外，现有的视频搜索引擎 实际相似度，并引入近邻传播的聚类算法进行网络 的搜索结果通常按与搜索词的相关度进行排列，其 视频聚类分析。Zhang等⑧从视频语音转录文本和 中可能包含重复或相似视频，为了给用户提供更可 视觉概念识别两方面提取视频特征，提出二部图聚 观、更易理解的搜索体验，因而提出了基于文本特 类算法，表明在多源数据关联挖掘方面效果要优于 征、视觉特征或多特征融合的视频搜索结果聚类方 法B,便于对视频按主题进行推荐。 常规谱聚类。研究学者还利用网络视频丰富的社会 单纯基于视频文本（如标题）的聚类可以利用 媒体信息展开研究。Kamie等提出PVClustring 已有文本聚类的成熟技术，考虑视频的语义特征， 方法，构建视频-播单关联矩阵，采用重复二分的 具有简单、易用等特点。但视频标题作为短文本， kmeans方法进行视频聚类；Zhang等I利用You- 存在文本特征高维语义极度稀疏等问题。单纯使用 Tube的共观看视频进一步改进网络视频分类系统 视觉相似性的视频聚类方法由于图像语义理解的 的性能。 复杂性，存在维度高、复杂度高、聚类效果欠佳等问 由此可见，研究人员尝试利用不同的理论方法 题。网络视频作为一种社会化媒体数据，形式丰 来解决视频聚类问题。但是当前的研究中，使用低 富、模态多样，包含视频视觉内容、描述单一主题的 层视觉特征仅在识别雷同视频时有较好的效果，同 标题文本、播单信息、上传及观看用户等。利用文 时由于视频图像语义理解的复杂性、以及海量、高 本和视觉等多模态融合的视频聚类方法刀，可以增 维、语义不清晰等特点，现有的利用视频信息的多 强单一方法视频聚类的有效性，但存在时间复杂度 模态融合方法对视频聚类的效果还不能满足实际需 高、最优加权方案不确定等问题。鉴于文本挖掘技 求，缺乏有效的主题聚类方法。 术的成熟性和易用性，本文着眼于利用社会媒体上 1.2短文本聚类 丰富的文本信息，以改善现有短文本方法的高维、 伴随着Web2.0时代，短文本数据在互联网上 语义稀疏问题，实现高效的视频主题聚类，提出了 应用日益增多，短文本聚类的相关工作也取得了很 以视频标题、相关查询词、共点击视频标题等多类 大的进展，研究者们尝试利用很多方法来改进短文 短文本信息融合的视频主题聚类方法，并以优酷视 本语义分析与处理，大体上分为两类。一类是挖掘 频网站(http:www.youku.com)真实数据为例，验证 短文本自身内容构建特征空间，Yin等提出了应 了本文方法的有效性。 用吉布斯抽样的狄利克雷混合模型算法(GSDMM), 1相关工作 在聚类过程中可以自动推断出类别数量并快速收 敛，能很好地适应短文本高维稀疏的状况；Yan等山 1.1网络视频聚类 结合上下文语义相关性来建立词项关联矩阵，避免 目前，网络视频聚类已经取得一些研究成果， 使用了短文本中高维稀疏的词文档矩阵，然后应用
1) 网络视频规模大，上传更新速度快； 2) 通常以用户制作内容和专业影视内容并存 为主要特色，内容涉及电影、音乐、科技、汽车、亲 子、时尚、体育、财经、资讯等多个主题； 3) 不同于传统图像或文本，网络视频蕴含丰富 的多模态信息：视频的视觉图像、标题、描述、标签 等文本信息，观看用户的评论，上传用户信息等； 4) 网络视频时长不等，剪辑水平不等。 如此规模宏大、类别众多的网络视频在丰富互 联网信息，满足用户需求的同时，也给视频数据的 组织和管理带来了严峻的挑战。传统的解决办法是 视频上传者或者网站管理员人工标注视频的类别， 然而这一方法耗时耗力，并且容易受到人为不稳定 的主观影响。有学者提出利用基于监督或半监督的 视频自动分类技术[1-2] ，但是大部分分类方法仍旧需 要充足的高质量训练样本。因此，研究人员尝试利 用无监督的机器学习模型——聚类来进一步组织网 络视频数据，提出了多种基于文本、视觉及多模融 合的视频聚类方法[3-8]。另外，现有的视频搜索引擎 的搜索结果通常按与搜索词的相关度进行排列，其 中可能包含重复或相似视频，为了给用户提供更可 观、更易理解的搜索体验，因而提出了基于文本特 征、视觉特征或多特征融合的视频搜索结果聚类方 法 [3-4] ，便于对视频按主题进行推荐。 单纯基于视频文本 (如标题) 的聚类可以利用 已有文本聚类的成熟技术，考虑视频的语义特征[4] ， 具有简单、易用等特点。但视频标题作为短文本， 存在文本特征高维语义极度稀疏等问题。单纯使用 视觉相似性的视频聚类方法[5]由于图像语义理解的 复杂性，存在维度高、复杂度高、聚类效果欠佳等问 题。网络视频作为一种社会化媒体数据，形式丰 富、模态多样，包含视频视觉内容、描述单一主题的 标题文本、播单信息[6] 、上传及观看用户等。利用文 本和视觉等多模态融合的视频聚类方法[3, 7] ，可以增 强单一方法视频聚类的有效性，但存在时间复杂度 高、最优加权方案不确定等问题。鉴于文本挖掘技 术的成熟性和易用性，本文着眼于利用社会媒体上 丰富的文本信息，以改善现有短文本方法的高维、 语义稀疏问题，实现高效的视频主题聚类，提出了 以视频标题、相关查询词、共点击视频标题等多类 短文本信息融合的视频主题聚类方法，并以优酷视 频网站 (http://www.youku.com) 真实数据为例，验证 了本文方法的有效性。 1 相关工作 1.1 网络视频聚类 目前，网络视频聚类已经取得一些研究成果， 主要有基于视觉图像的方法、基于文本特征的方 法、基于视频其他信息 (如播放列表) 的方法以及多 模融合的方法。 Liu 等 [5]使用从视频帧序列提取的全局视频签 名特征 (ViSig) 来表征视频，提出了基于视觉图像相 似度的视频搜索结果聚类算法。Nguyen 等 [4]从网 络视频的文本元数据 (视频标题、标签和描述) 角度 出发，提出了基于 WordNet 知识库的文本语义相似 度计算方法，可以有效提高视频搜索结果的聚类效 果。文献[3, 7]是基于视频的多模态特征进行主题 聚类。Hindle等 [3]集成网络视频的视觉特征和文本 特征，利用有界坐标系统 (BCS) 模型将视频的视觉 特征用紧凑签名来表示，然而在计算文本相似度 时，该方法将文本近似视为“词袋”，直接统计两个文 本共有词的个数，忽略了文本信息的高级语义知 识。Huang 等 [7]针对网络视频包含的丰富信息，分 别计算低层视觉图像特征、高层语义特征和文本特 征的相似度，然后将各个模态融合计算网络视频的 实际相似度，并引入近邻传播的聚类算法进行网络 视频聚类分析。Zhang 等 [8]从视频语音转录文本和 视觉概念识别两方面提取视频特征，提出二部图聚 类算法，表明在多源数据关联挖掘方面效果要优于 常规谱聚类。研究学者还利用网络视频丰富的社会 媒体信息展开研究。Kamie 等 [6]提出 PVClustring 方法，构建视频–播单关联矩阵，采用重复二分的 kmeans 方法进行视频聚类；Zhang 等 [9]利用 YouTube 的共观看视频进一步改进网络视频分类系统 的性能。 由此可见，研究人员尝试利用不同的理论方法 来解决视频聚类问题。但是当前的研究中，使用低 层视觉特征仅在识别雷同视频时有较好的效果，同 时由于视频图像语义理解的复杂性、以及海量、高 维、语义不清晰等特点，现有的利用视频信息的多 模态融合方法对视频聚类的效果还不能满足实际需 求，缺乏有效的主题聚类方法。 1.2 短文本聚类 伴随着 Web2.0 时代，短文本数据在互联网上 应用日益增多，短文本聚类的相关工作也取得了很 大的进展，研究者们尝试利用很多方法来改进短文 本语义分析与处理，大体上分为两类。一类是挖掘 短文本自身内容构建特征空间，Yin 等 [10]提出了应 用吉布斯抽样的狄利克雷混合模型算法 (GSDMM)， 在聚类过程中可以自动推断出类别数量并快速收 敛，能很好地适应短文本高维稀疏的状况；Yan 等 [11] 结合上下文语义相关性来建立词项关联矩阵，避免 使用了短文本中高维稀疏的词文档矩阵，然后应用 ·800· 智 能 系 统 学 报 第 12 卷
第6期 刘路，等：基于文本扩展模型的网络视频聚类方法 ·801· 对称非负矩阵分解算法获取词项-主题矩阵进而推 不同文本间缺乏足够的词共现信息，因而存在高维 断每个文档的主题。 稀疏、特征模糊、语义不清晰问题，而视频的相关查 另一类是利用外部知识库来扩展短文本表示， 询词与该视频往往语义相关，共点击视频的视频标 Sahami等通过利用网络搜索结果扩展短文本内 题和该视频标题的词汇也语义相似，利用这些信息 容，在扩展的基础上计算文本间相似度；Yh在 可以进一步扩展文本内容，丰富文本表示。因此， Sahami的基础上通过计算词出现的加权内积而不 本文提出一种多源数据下文本扩展模型进行网络视 是TFDF,并引人了一个学习过程来提高相似性度 频表示，为聚类研究做好准备工作，以改善短文本 量的准确性；Banerjee等利用从短文本中提取出 高维稀疏的问题，有效实现主题聚类。本文方法的 的字符串检索维基百科中最相关的前10个文档，并 框架如图1所示。 用这些文档的标题扩充每个短文本文档的表示，再 共点击视频 对短文本进行聚类；Gabrilovich等u提出了一种显 相关查询词 示语义分析，将每个短文本映射到最相关的维基百 科和ODP(开放目录项目)的本体概念，用概念向量 网络视频 视频 文本扩用 预处 聚类 扩充传统的词袋模型表示；Hu等1同时采用内部特 数据集 标题 模型 算法 征和外部特征（维基百科和WordNet)来对短文本文 图1 基于文本扩展模型的网络视频聚类方法框架 档进行扩充，提出了一个分层的三级结构来解决原 Fig.1 Framework for web video clustering based on ex- 始短文本的数据稀疏问题；Hotho等1将WordNet tended text model 集成到文本聚类的过程，在Reuters语料库的实验结 2.1多源数据 果显示了它的有效性：Song等利用开放的网页构 2.1.1网络视频标题 建了一个概率化知识库，进而来推断短文本文档中 视频的元信息(meta data)包括标题、描述和标 的概念表示，然后再进行聚类。这些方法已经被证 签等文本信息，准确的文字描述可以提供最直接有 明能有效地提高短文本聚类，然而利用搜索引擎的 效的视频语义信息，不同于标签具有很大的噪音、 短文本扩展方法时间复杂度高，在利用外部知识库 描述只在较少视频中出现，标题作为每个视频都具 扩展的方法中，寻找合适的外部源也十分重要，但 备的一种短文本信息，可以很好地概括视频的语义 是由于互联网的自由开放性，网络视频的标题文本 内容，是描述视频的一项重要的文本特征。 一般由用户上传视频时自己填写，容易出现新兴词 2.1.2相关查询词 汇和网络用语，语言表达方式和其他长文本文档有 每个视频会对应一系列相关的查询词，这些查 着较大的差异，盲目地扩充可能会影响原短文本的 询词和该视频的标题信息通常在语义上有很大的相 语义。 关性，描述相关的视频内容。 2网络视频表示 2.1.3共点击视频 用户在视频网站的一个会话访问过程中，观看 随着视频分享网站的不断应用，网络视频不再 的视频内容通常与用户当时的兴趣密不可分。因 仅仅是单一的视频结构，而是作为一种丰富的多媒 此，根据全网用户的点击观看行为可以将每个视频 体信息包含了多源数据。网络视频的播放页面，不 和一系列共点击视频相关联，从一定程度来讲，这 仅包含具体的视频内容，还包含标题、描述、标签等 一系列共点击视频和该视频更倾向于内容相关，它 用户提供的文本信息，以及用户之间评论、点赞、收 们的标题更倾向于语义相关。这类比于文档中的词 藏等社交互动行为。在已有的研究工作中，文献 汇关系，如果两个词语在很多文档中都频繁共同出 「7]的实验表明利用标题等文本特征在视频聚类上 现，则这两个词语有很大可能是语义相关的。 有较好的效果。同时，在实际工业应用中，利用视 2.2文本扩展模型 频的图像特征进行视频表征时，存在图像存储占空 针对网络视频的多源数据，本文构建了一个多 间、时间复杂度高，只适用于短视频或视频画面内 源数据下的文本扩展模型，将短文本扩展成较长的 容较集中的视频等多种问题。本文研究使用视频的 文本以丰富语义内容，强化词语的共现特征。针对 多源文本信息来更准确地表示视频，包括视频标 每个网络视频，我们不仅可以获得视频标题(T),还 题、视频相关查询词、共点击视频标题，利用这些信 可以得到该视频的相关查询词(T2),以及该视频的 息进行聚类能够从语义层次上有效识别视频聚簇。 共点击视频所对应的视频标题(T,)。利用文本 仅使用标题短文本进行特征表示时由于字数较少】 T2和文本T,分别去扩展原视频标题即文本T,构
对称非负矩阵分解算法获取词项–主题矩阵进而推 断每个文档的主题。 另一类是利用外部知识库来扩展短文本表示， Sahami 等 [12]通过利用网络搜索结果扩展短文本内 容，在扩展的基础上计算文本间相似度；Yih[13]在 Sahami 的基础上通过计算词出现的加权内积而不 是 TFIDF，并引入了一个学习过程来提高相似性度 量的准确性；Banerjee 等 [14]利用从短文本中提取出 的字符串检索维基百科中最相关的前 10 个文档，并 用这些文档的标题扩充每个短文本文档的表示，再 对短文本进行聚类；Gabrilovich 等 [15]提出了一种显 示语义分析，将每个短文本映射到最相关的维基百 科和 ODP(开放目录项目) 的本体概念，用概念向量 扩充传统的词袋模型表示；Hu 等 [16]同时采用内部特 征和外部特征 (维基百科和 WordNet)来对短文本文 档进行扩充，提出了一个分层的三级结构来解决原 始短文本的数据稀疏问题；Hotho 等 [17]将 WordNet 集成到文本聚类的过程，在 Reuters语料库的实验结 果显示了它的有效性；Song 等 [18]利用开放的网页构 建了一个概率化知识库，进而来推断短文本文档中 的概念表示，然后再进行聚类。这些方法已经被证 明能有效地提高短文本聚类，然而利用搜索引擎的 短文本扩展方法时间复杂度高，在利用外部知识库 扩展的方法中，寻找合适的外部源也十分重要，但 是由于互联网的自由开放性，网络视频的标题文本 一般由用户上传视频时自己填写，容易出现新兴词 汇和网络用语，语言表达方式和其他长文本文档有 着较大的差异，盲目地扩充可能会影响原短文本的 语义。 2 网络视频表示 随着视频分享网站的不断应用，网络视频不再 仅仅是单一的视频结构，而是作为一种丰富的多媒 体信息包含了多源数据。网络视频的播放页面，不 仅包含具体的视频内容，还包含标题、描述、标签等 用户提供的文本信息，以及用户之间评论、点赞、收 藏等社交互动行为。在已有的研究工作中，文献 [7]的实验表明利用标题等文本特征在视频聚类上 有较好的效果。同时，在实际工业应用中，利用视 频的图像特征进行视频表征时，存在图像存储占空 间、时间复杂度高，只适用于短视频或视频画面内 容较集中的视频等多种问题。本文研究使用视频的 多源文本信息来更准确地表示视频，包括视频标 题、视频相关查询词、共点击视频标题，利用这些信 息进行聚类能够从语义层次上有效识别视频聚簇。 仅使用标题短文本进行特征表示时由于字数较少， 不同文本间缺乏足够的词共现信息，因而存在高维 稀疏、特征模糊、语义不清晰问题，而视频的相关查 询词与该视频往往语义相关，共点击视频的视频标 题和该视频标题的词汇也语义相似，利用这些信息 可以进一步扩展文本内容，丰富文本表示。因此， 本文提出一种多源数据下文本扩展模型进行网络视 频表示，为聚类研究做好准备工作，以改善短文本 高维稀疏的问题，有效实现主题聚类。本文方法的 框架如图 1 所示。 2.1 多源数据 2.1.1 网络视频标题 视频的元信息 (meta data) 包括标题、描述和标 签等文本信息，准确的文字描述可以提供最直接有 效的视频语义信息，不同于标签具有很大的噪音、 描述只在较少视频中出现，标题作为每个视频都具 备的一种短文本信息，可以很好地概括视频的语义 内容，是描述视频的一项重要的文本特征。 2.1.2 相关查询词 每个视频会对应一系列相关的查询词，这些查 询词和该视频的标题信息通常在语义上有很大的相 关性，描述相关的视频内容。 2.1.3 共点击视频 用户在视频网站的一个会话访问过程中，观看 的视频内容通常与用户当时的兴趣密不可分。因 此，根据全网用户的点击观看行为可以将每个视频 和一系列共点击视频相关联，从一定程度来讲，这 一系列共点击视频和该视频更倾向于内容相关，它 们的标题更倾向于语义相关。这类比于文档中的词 汇关系，如果两个词语在很多文档中都频繁共同出 现，则这两个词语有很大可能是语义相关的。 2.2 文本扩展模型 针对网络视频的多源数据，本文构建了一个多 源数据下的文本扩展模型，将短文本扩展成较长的 文本以丰富语义内容，强化词语的共现特征。针对 每个网络视频，我们不仅可以获得视频标题 (T1 )，还 可以得到该视频的相关查询词 (T2 )，以及该视频的 共点击视频所对应的视频标题 (T3 )。利用文本 T2 和文本 T3 分别去扩展原视频标题即文本 T1，构 㻲䶽 ᴳ䷄ ᪳᱘ផᆁ Ὅಷ 㖆ㆧ ッ∁ 䶽㻲ܧ◥ڝ + Ⱔڟᴑ䄎䃹 䶰ะ ⤲ 㻲䶽 㖆ㄳ 㑽㐈㻲䶽 ᢚ䯲 图 1 基于文本扩展模型的网络视频聚类方法框架 Fig. 1 Framework for web video clustering based on extended text model 第 6 期 刘璐，等：基于文本扩展模型的网络视频聚类方法 ·801·
·802· 智能系统学报 第12卷 成新的长文本作为该视频的文本表示。同时，利用T、 们相应的扩展文本。例如第一个视频标题通过扩展 T2和T,合并构成长文本进行实验对比。 可以补充“乒乓球”、“直拍等词汇，丰富了原视频短 在表1中，给出了数据集中部分视频标题及它 文本的语义。 表1模型示例 Table 1 Model example 视频标题 相关查询词 共点击视频标题 王皓苦练拉球恩师吴敬平陪练 王皓乒乓球比赛 第八期直拍正手拉下旋球 徠卡t leica t camlogic相机逻辑camlogic相机逻辑 徕卡LEICA T(Type70I) 适马Sigma DP2M相机评测 htc vivef佳能8Od8 Od pro6 oppor7?plus魅族mx5小米note魅族 科技美学荣耀7评测华为荣耀7魅蓝metal魅族 OPPOR7拆机换屏视频教程华为P8 魅蓝note2与苹果6plus区别 pro5马自达mx5努比亚z9max 开箱上手体验by三宋大国论 3实验与分析 互信息NMⅫ)作为评估聚类算法性能的指标。 准确率是一个普遍流行的聚类质量评价指标， 为了定量地比较不同模型的性能，应用多种文 指正确指派类标的文档在所有文档中所占的比例， 本聚类算法进行实验，然后从准确率和标准化互信 定义如下： 息两个方面进行分析，进而实现网络视频的聚类效 6le,p》 果评估。 ACC= 1 3.1数据集 式中：6(x,y)是指克罗内克函数，如果=y,则其输出 实验数据集来源于优酷视频(http:/www. 值为1，否则为0；l是文档T,的真实标签；1是算 youku.com),分为两个子集（数据集1和数据集2）， 法得出的标签；pp()是将：映射到真实对应的标 均包含视频标题、共点击视频、相关查询词等数 签；n是总的文档数目。显然，准确率越大，聚类划 据。数据集1中包含亲子、汽车和科技共3个类 分也就越准确。 别，数据集2中涉及广告、搞笑、电影、体育、时尚、 标准化互信息用来刻画一个数据集上的聚簇划 亲子、汽车、拍客、旅游和科技共10个类别，每个类 分结果和此数据集真实类标的相似程度，其定义 下的视频数量更贴近于实际网络中的分布情况， 如下： 表2展示两个数据集的相关统计信息。 表2数据描述 -2∑∑nlog =1 Table 2 Description of data sets NMI(C.C) 数据集 数据集1 数据集2 视频个数 3839 14150 式中：C为数据集的人工标注类标，C为由聚类算法 类别个数 3 10 得出的类别结构，K为真实的聚簇数目，K为算法得 到的聚簇数目，ng为同时在簇C,和簇C中数据对象 最大类视频个数 2622 2869 的个数，nS为簇C,中数据对象的个数，nS为簇C中 最小类视频个数 455 186 数据对象的个数。通常NMM值越大，表明算法得到 类平均视频个数 1280 1415 的结果越准确。 在得到每个视频的文本表示之后，对文本的预 33实验方法 处理过程如下： 本文对比实验了4种网络视频的文本表示。 1)利用jcseg方法对文本进行切词； 1)Title:只利用网视频的标题(T)作为该视 2)过滤常用停用词，以及在视频短文本中的常 频的文本表示。 用非重要词汇，如“视频”、“高清等； 2)Co-query enhancement::利用网络视频的标 3)过滤文档频率df值小于10的词汇； 题(T)和相关查询词(T2)合并作为该视频的文本 4)过滤包含词汇数目小于3的文档。 表示。 3.2评价函数 3)Co-click enhancement::利用网铬视频的标题 在实验数据集中，每个视频数据都已对应一个 (T)和共点击视频所对应的标题序列文本(T)合并 合理的类标签，因此选取了准确率(ACC)和标准化 作为该视频的文本表示
成新的长文本作为该视频的文本表示。同时，利用 T1、 T2 和 T3 合并构成长文本进行实验对比。 在表 1 中，给出了数据集中部分视频标题及它 们相应的扩展文本。例如第一个视频标题通过扩展 可以补充“乒乓球”、“直拍”等词汇，丰富了原视频短 文本的语义。 3 实验与分析 为了定量地比较不同模型的性能，应用多种文 本聚类算法进行实验，然后从准确率和标准化互信 息两个方面进行分析，进而实现网络视频的聚类效 果评估。 3.1 数据集 实验数据集来源于优酷视频 (http://www. youku.com)，分为两个子集 (数据集 1 和数据集 2)， 均包含视频标题、共点击视频、相关查询词等数 据。数据集 1 中包含亲子、汽车和科技共 3 个类 别，数据集 2 中涉及广告、搞笑、电影、体育、时尚、 亲子、汽车、拍客、旅游和科技共 10 个类别，每个类 下的视频数量更贴近于实际网络中的分布情况， 表 2 展示两个数据集的相关统计信息。 在得到每个视频的文本表示之后，对文本的预 处理过程如下： 1) 利用 jcseg 方法对文本进行切词； 2) 过滤常用停用词，以及在视频短文本中的常 用非重要词汇，如“视频”、“高清”等； 3) 过滤文档频率 df 值小于 10 的词汇； 4) 过滤包含词汇数目小于 3 的文档。 3.2 评价函数 在实验数据集中，每个视频数据都已对应一个 合理的类标签，因此选取了准确率 (ACC) 和标准化 互信息 (NMI) 作为评估聚类算法性能的指标。 准确率是一个普遍流行的聚类质量评价指标， 指正确指派类标的文档在所有文档中所占的比例， 定义如下： ACC = ∑n i=1 δ ( lti, pmap ( lpi)) n δ(x, y) pmap ( lpi) 式中： 是指克罗内克函数，如果 x=y，则其输出 值为 1，否则为 0；lti 是文档 Ti 的真实标签；lpi 是算 法得出的标签； 是将 lpi 映射到真实对应的标 签；n 是总的文档数目。显然，准确率越大，聚类划 分也就越准确。 标准化互信息用来刻画一个数据集上的聚簇划 分结果和此数据集真实类标的相似程度，其定义 如下： NMI(C,C ′ ) = −2 ∑K i=1 K ′ ∑ j=1 ni j log ni jn n C i n C′ j ( ∑K i=1 n C i log n C i n ) + ∑K′ j=1 n C′ j log n C ′ j n C ′ K ′ C ′ j n C i n C ′ j C ′ J 式中：C 为数据集的人工标注类标， 为由聚类算法 得出的类别结构，K 为真实的聚簇数目， 为算法得 到的聚簇数目，nij 为同时在簇 Ci 和簇 中数据对象 的个数， 为簇 Ci 中数据对象的个数， 为簇 中 数据对象的个数。通常 NMI 值越大，表明算法得到 的结果越准确。 3.3 实验方法 本文对比实验了 4 种网络视频的文本表示。 1) Title：只利用网络视频的标题 (T1 ) 作为该视 频的文本表示。 2) Co-query enhancement：利用网络视频的标 题 (T1 ) 和相关查询词 (T2 ) 合并作为该视频的文本 表示。 3) Co-click enhancement：利用网络视频的标题 (T1 ) 和共点击视频所对应的标题序列文本 (T3 ) 合并 作为该视频的文本表示。 表 1 模型示例 Table 1 Model example 视频标题 相关查询词 共点击视频标题 王皓苦练拉球 恩师吴敬平陪练 王皓 乒乓球 比赛 第八期_直拍正手拉下旋球 徕卡LEICA T(Type 701) 徕卡t leica t camlogic相机逻辑camlogic相机逻辑 htc vive佳能80d 80d pro6 适马Sigma DP2M相机 评测 oppor7plus魅族mx5 小米note魅族 魅蓝note2与苹果6plus区别 科技美学 荣耀7评测 华为荣耀7 魅蓝metal魅族 pro5 马自达mx5 努比亚z9max OPPOR7拆机换屏视频教程 华为P8 开箱上手体验by三宋大国论 表 2 数据描述 Table 2 Description of data sets 数据集 数据集1 数据集2 视频个数 3 839 14 150 类别个数 3 10 最大类视频个数 2 622 2 869 最小类视频个数 455 186 类平均视频个数 1 280 1 415 ·802· 智 能 系 统 学 报 第 12 卷
第6期 刘路，等：基于文本扩展模型的网络视频聚类方法 ·803· 4)All enhancement:利用Ti、T2、T合并作为该 的产生进行建模来学习话题，避免了受短文本长度 视频的文本表示。 过短导致的内容稀疏性影响。 在以上文本扩展模型的基础上，对比实验了 对于LDA、GSDMM、TNMF、BTM、GNMF等 6种文本聚类算法，前3种方法是面向长文本设计 话题模型，我们将每个文本指派到其最大隶属度所 的聚类算法，后3种是针对短文本的聚类方法： 在的话题聚簇以实现聚类划分。 1)latent dirichlet allocation (LDA)20:LDA 3.4实验结果 一种文档主题生成概率模型，本实验采用吉布斯采 在上述两个数据集中分别设置聚簇数目为 样学习LDA参数的Java实现，设置参数a为0.5， 3和10，并根据已有类标签分别计算准确率和标准 B为0.1，迭代次数为200次。 化互信息，对于每一个方法我们重复运行10次计算 2)Kmeans-+:是基于相似度的聚类模型，在 平均值。 Kmeans算法的基础上解决了需要人为确定初始聚 实验结果如表3~6所示，在LDA、Kmeans+ 类中心的问题，它选取的原则是初始聚类中心之间 GNMF方法上，经过文本扩展之后的视频聚类效果 的距离要尽可能远。 要普遍优于只采用视频标题进行特征表征的方法， 3)GNMF22:图正则化非负矩阵分解模型，在 尤其体现在NMI的变化上，原因在于通过多源数据 NMF的基础上，构建近邻图来考虑数据样本中的几 下的文本扩充，一定程度上丰富了文本的语义信 何近邻结构。 息，增强了词共现特征，使长文本聚类方法的性能 4)TNMF叫：是在词关联矩阵上应用非负矩阵 发挥更好。在TNMF方法上，co-query enhancement 分解的话题模型，分为两个连续的子过程，即话题 模型和all enhancement模型的效果提高最为明显， 学习和话题推断。在词关联矩阵中应用对称非负矩 说明扩展相关查询词相比共点击视频标题能尽可能 阵分解方法可以有效地避免传统词-文档矩阵的稀 避免加入噪音词汇，提高实验结果。在GSDMM 疏性。设置参数λ为1。 和BTM两种短文本聚类方法上，本文提出的多源 5)GSDMM1:利用吉布斯抽样算法的狄利克 数据模型效果不突出，原因在于这两种方法更适用 雷多项混合模型，能自动推断出集群的数量，在集 于语义突出的较短文本，在利用相关查询词或共点 群的完整性和类内同质性之间达到平衡，收敛速度 击视频标题进行扩充后带来了不可避免的噪音文 较快。设置参数a为0.1，B为0.1，迭代次数为100次。 本，影响了短文本聚类效果。然而，在这两种方法 6)biterm topic model(BTM02:是一种双词话题 中NM值有所提高，也印证了增加共点击信息对于 模型，该模型通过直接对文档中双词（即共现词对） 类大小不平衡的视频数据有较好的提升效果。 表3数据集1算法结果(ACC)】 Table 3 Result of algorithms on data set 1(ACC) 模型 LDA Kmeans++ GNMF TNMF GSDMM BTM 0.6109 0.5824 0.6182 0.7690 0.6793 0.7902 Title (±0.0057) (±0.0009) (0.0005) (±0.0099) (±0.0145) (±0.0129) 0.7066 0.5121 0.8820 0.7780 0.7290 0.7811 Co-query enhancement (0.0107) (±0.0001) (0.0056) (±0.0001) (±0.0094) (±0.0055) 0.6934 0.5569 0.8979 0.6563 0.6759 0.6662 Co-click enhancement (±0.0031) (0) (0) (±0.0068) (±0.0036) (±0.0024) 0.6922 0.5072 0.9305 0.7810 0.6682 0.7631 All enhancement (±0.0031) (0) (0) (±0.0001) (±0.0055) (±0.0044) 同时对实验结果进行横向比较，在数据集1中 类方法。 all enhancement模型在GNMF文本聚类方法上取 在10类真实数据集中，精确度和标准化互信息 得了最好的效果，在数据集2中从模型优化效果来 数值普遍不高，原因主要在于如今的互联网视频 看，co-click enhancement模型在LDA文本聚类方 中，视频内容众多丰富，综合类划分之下的视频可 法上整体效果要好，体现出合理利用视频的相关信 以细分为多个具体内容，比如体育类包含篮球、足 息可以达到最佳的视频聚类效果，并且在本文提出 球、搏击等多项运动，造成聚簇特征不明显，影响了 的模型之上，长文本聚类方法的效果优于短文本聚 聚类效果
4) All enhancement：利用 T1、T2、T3 合并作为该 视频的文本表示。 在以上文本扩展模型的基础上，对比实验了 6 种文本聚类算法，前 3 种方法是面向长文本设计 的聚类算法，后 3 种是针对短文本的聚类方法： 1) latent dirichlet allocation (LDA)[19-20] ：LDA 是 一种文档主题生成概率模型，本实验采用吉布斯采 样学习 LDA 参数的 Java 实现，设置参数 α 为 0.5， β 为 0.1，迭代次数为 200 次。 2) Kmeans++[21] ：是基于相似度的聚类模型，在 Kmeans 算法的基础上解决了需要人为确定初始聚 类中心的问题，它选取的原则是初始聚类中心之间 的距离要尽可能远。 3) GNMF[22] ：图正则化非负矩阵分解模型，在 NMF 的基础上，构建近邻图来考虑数据样本中的几 何近邻结构。 4) TNMF[11] ：是在词关联矩阵上应用非负矩阵 分解的话题模型，分为两个连续的子过程，即话题 学习和话题推断。在词关联矩阵中应用对称非负矩 阵分解方法可以有效地避免传统词–文档矩阵的稀 疏性。设置参数 λ 为 1。 5) GSDMM[10] ：利用吉布斯抽样算法的狄利克 雷多项混合模型，能自动推断出集群的数量，在集 群的完整性和类内同质性之间达到平衡，收敛速度 较快。设置参数 α 为 0.1，β 为 0.1，迭代次数为 100 次。 6) biterm topic model(BTM)[23] ：是一种双词话题 模型，该模型通过直接对文档中双词 (即共现词对) 的产生进行建模来学习话题，避免了受短文本长度 过短导致的内容稀疏性影响。 对于 LDA、GSDMM、TNMF、BTM、GNMF 等 话题模型，我们将每个文本指派到其最大隶属度所 在的话题聚簇以实现聚类划分。 3.4 实验结果 在上述两个数据集中分别设置聚簇数目为 3 和 10，并根据已有类标签分别计算准确率和标准 化互信息，对于每一个方法我们重复运行 10 次计算 平均值。 实验结果如表 3～6 所示，在 LDA、Kmeans++、 GNMF 方法上，经过文本扩展之后的视频聚类效果 要普遍优于只采用视频标题进行特征表征的方法， 尤其体现在 NMI 的变化上，原因在于通过多源数据 下的文本扩充，一定程度上丰富了文本的语义信 息，增强了词共现特征，使长文本聚类方法的性能 发挥更好。在 TNMF 方法上，co-query enhancement 模型和 all enhancement 模型的效果提高最为明显， 说明扩展相关查询词相比共点击视频标题能尽可能 避免加入噪音词汇，提高实验结果。在 GSDMM 和 BTM 两种短文本聚类方法上，本文提出的多源 数据模型效果不突出，原因在于这两种方法更适用 于语义突出的较短文本，在利用相关查询词或共点 击视频标题进行扩充后带来了不可避免的噪音文 本，影响了短文本聚类效果。然而，在这两种方法 中 NMI 值有所提高，也印证了增加共点击信息对于 类大小不平衡的视频数据有较好的提升效果。 同时对实验结果进行横向比较，在数据集 1 中 all enhancement 模型在 GNMF 文本聚类方法上取 得了最好的效果，在数据集 2 中从模型优化效果来 看，co-click enhancement 模型在 LDA 文本聚类方 法上整体效果要好，体现出合理利用视频的相关信 息可以达到最佳的视频聚类效果，并且在本文提出 的模型之上，长文本聚类方法的效果优于短文本聚 类方法。 在 10 类真实数据集中，精确度和标准化互信息 数值普遍不高，原因主要在于如今的互联网视频 中，视频内容众多丰富，综合类划分之下的视频可 以细分为多个具体内容，比如体育类包含篮球、足 球、搏击等多项运动，造成聚簇特征不明显，影响了 聚类效果。 表 3 数据集 1 算法结果（ACC） Table 3 Result of algorithms on data set 1 (ACC) 模型 LDA Kmeans++ GNMF TNMF GSDMM BTM Title 0.610 9 0.582 4 0.618 2 0.769 0 0.679 3 0.790 2 (±0.005 7) (±0.000 9) (±0.000 5) (±0.009 9) (±0.014 5) (±0.012 9) Co-query enhancement 0.706 6 0.512 1 0.882 0 0.778 0 0.729 0 0.781 1 (±0.010 7) (±0.000 1) (±0.005 6) (±0.000 1) (±0.009 4) (±0.005 5) Co-click enhancement 0.693 4 0.556 9 0.897 9 0.656 3 0.675 9 0.666 2 (±0.003 1) (0) (0) (±0.006 8) (±0.003 6) (±0.002 4) All enhancement 0.692 2 0.507 2 0.930 5 0.781 0 0.668 2 0.763 1 (±0.003 1) (0) (0) (±0.000 1) (±0.005 5) (±0.004 4) 第 6 期 刘璐，等：基于文本扩展模型的网络视频聚类方法 ·803·
·804· 智能系统学报 第12卷 表4数据集1算法结果(NMI) Table 4 Result of algorithms on data set 1 (NMI) 模型 LDA Kmeans++ GNMF TNMF GSDMM BTM 0.3617 0.2058 0.2739 0.4173 0.4413 0.4799 Title (0.0009) (±0.0028) (±0.0002) (±0.0090) (0.0086) (±0.0124) 0.4010 0.2247 0.5670 0.4637 0.4400 0.4675 Co-query enhancement (±0.0103) (0) (0.0059) (±0.0010) (±0.0068) (±0.0122) 0.4679 0.2778 0.6082 0.3809 0.4724 0.4668 Co-click enhancement (±0.0016) (0) (0) (±0.0080) (±0.0019) (±0.0017) 0.4203 0.2422 0.6745 0.5038 0.4025 0.4646 All enhancement (±0.0057 (0) (0) (0.0005) (±0.0023) (±0.0043) 表5数据集2算法结果(ACC) Table 5 Result of algorithms on data set 2(ACC) 模型 LDA Kmeans++ GNMF TNMF GSDMM BTM 0.3895 0.2979 0.3053 0.3460 0.4925 0.5127 Title (±0.0009) (±0.0004) (±0.0001) (±0.0009) (±0.0012) (±0.0005) 0.4383 0.3301 0.4291 0.3662 0.4204 0.4782 Co-query enhancement (0.0011) (±0.0007) (0.0002) (±0.0024) (±0.0022) (±0.0002) 0.4646 0.3758 0.4172 0.3285 0.4614 0.4654 Co-click enhancement (±0.0008) (±0.0007) (±0.0006) (±0.0014) (±0.0019) (±0.0001) 0.4517 0.3582 0.4389 0.3739 0.4182 0.4593 All enhancement (±0.0006) (±0.0004) (±0.0008) (±0.0012) (±0.0015) (±0.0005) 表6数据集2算法结果(NMI) Table 6 Result of algorithms on data set 2(NMI) 模型 LDA Kmeans++ GNMF TNMF GSDMM BTM 0.2598 0.1719 0.1948 0.2173 0.3670 0.3629 Title (±0.0002) (±0.0005) (±0.0001) (0.0004) (±0.0003) (±0.0001) 0.2987 0.2345 0.2659 0.2208 0.3098 0.3533 Co-query enhancement (±0.0003) (±0.0003) (0.0001) (±0.0007) (±0.0005) (±0.0006) 0.3725 0.3088 0.3148 0.1764 0.3985 0.3936 Co-click enhancement (0.0002) (±0.0005) (0.0001) (±0.0006) (±0.0008) (±0.0002) 0.3468 0.2697 0.3129 0.2538 0.3321 0.3691 All enhancement (±0.0003) (±0.0001) (0.0003) (±0.0005) (±0.0005) (±0.0002) 4结束语 型上效果欠佳，将在今后工作中进一步研究以提高 改进。同时本文局限在利用文本信息扩展进行视频 随着网络信息的爆炸式增长，文本聚类算法在 表示，在之后的研究工作中考虑将共点击视频的网 很多数据挖掘工作中都发挥着越来越重要的作用， 络结构和视频内容相结合，展开更深层次的研究。 比如话题发现、个性化推荐、有效检索等。本文提 参考文献： 出了利用网络视频的多源数据构建文本扩展模型， 从视频标题、共点击视频、相关查询词等多角度进 [1]WU X,ZHAO WL,NGO C W.Towards google challenge: 行补充表示，最后应用文本聚类算法在对文本进行 combining contextual and social information for web video categorization[C]//International Conference on Multimedia 划分的同时实现网络视频的聚类。在两个数据集上 2009.Vancouver,Canada,2009:1109-1110. 的多个实验验证了本文方法的有效性，进一步印证 [2]YANG L,LIU J,YANG X,et al.Multi-modality web video 了利用外部信息进行扩展可以一定程度地提高网络 categorization[C]//ACM Sigmm International Workshop on 视频聚类性能。但短文本聚类方法在本文提出的模 Multimedia Information Retrieval.Augsburg,Germany
4 结束语 随着网络信息的爆炸式增长，文本聚类算法在 很多数据挖掘工作中都发挥着越来越重要的作用， 比如话题发现、个性化推荐、有效检索等。本文提 出了利用网络视频的多源数据构建文本扩展模型， 从视频标题、共点击视频、相关查询词等多角度进 行补充表示，最后应用文本聚类算法在对文本进行 划分的同时实现网络视频的聚类。在两个数据集上 的多个实验验证了本文方法的有效性，进一步印证 了利用外部信息进行扩展可以一定程度地提高网络 视频聚类性能。但短文本聚类方法在本文提出的模 型上效果欠佳，将在今后工作中进一步研究以提高 改进。同时本文局限在利用文本信息扩展进行视频 表示，在之后的研究工作中考虑将共点击视频的网 络结构和视频内容相结合，展开更深层次的研究。 参考文献： WU X, ZHAO W L, NGO C W. Towards google challenge: combining contextual and social information for web video categorization[C]//International Conference on Multimedia 2009. Vancouver, Canada, 2009: 1109–1110. [1] YANG L, LIU J, YANG X, et al. Multi-modality web video categorization[C]//ACM Sigmm International Workshop on Multimedia Information Retrieval. Augsburg, Germany, [2] 表 4 数据集 1 算法结果（NMI） Table 4 Result of algorithms on data set 1 (NMI) 模型 LDA Kmeans++ GNMF TNMF GSDMM BTM Title 0.361 7 0.205 8 0.273 9 0.417 3 0.441 3 0.479 9 (±0.000 9) (±0.002 8) (±0.000 2) (±0.009 0) (±0.008 6) (±0.012 4) Co-query enhancement 0.401 0 0.224 7 0.567 0 0.463 7 0.440 0 0.467 5 (±0.010 3) (0) (±0.005 9) (±0.001 0) (±0.006 8) (±0.012 2) Co-click enhancement 0.467 9 0.277 8 0.608 2 0.380 9 0.472 4 0.466 8 (±0.001 6) (0) (0) (±0.008 0) (±0.001 9) (±0.001 7) All enhancement 0.420 3 0.242 2 0.674 5 0.503 8 0.402 5 0.464 6 (±0.005 7) (0) (0) (±0.000 5) (±0.002 3) (±0.004 3) 表 5 数据集 2 算法结果（ACC） Table 5 Result of algorithms on data set 2 (ACC) 模型 LDA Kmeans++ GNMF TNMF GSDMM BTM Title 0.389 5 0.297 9 0.305 3 0.346 0 0.492 5 0.512 7 (±0.000 9) (±0.000 4) (±0.000 1) (±0.000 9) (±0.001 2) (±0.000 5) Co-query enhancement 0.438 3 0.330 1 0.429 1 0.366 2 0.420 4 0.478 2 (±0.001 1) (±0.000 7) (±0.000 2) (±0.002 4) (±0.002 2) (±0.000 2) Co-click enhancement 0.464 6 0.375 8 0.417 2 0.328 5 0.461 4 0.465 4 (±0.000 8) (±0.000 7) (±0.000 6) (±0.001 4) (±0.001 9) (±0.000 1) All enhancement 0.451 7 0.358 2 0.438 9 0.373 9 0.418 2 0.459 3 (±0.000 6) (±0.000 4) (±0.000 8) (±0.001 2) (±0.001 5) (±0.000 5) 表 6 数据集 2 算法结果（NMI） Table 6 Result of algorithms on data set 2 (NMI) 模型 LDA Kmeans++ GNMF TNMF GSDMM BTM Title 0.259 8 0.171 9 0.194 8 0.217 3 0.367 0 0.362 9 (±0.000 2) (±0.000 5) (±0.000 1) (±0.000 4) (±0.000 3) (±0.000 1) Co-query enhancement 0.298 7 0.234 5 0.265 9 0.220 8 0.309 8 0.353 3 (±0.000 3) (±0.000 3) (±0.000 1) (±0.000 7) (±0.000 5) (±0.000 6) Co-click enhancement 0.372 5 0.308 8 0.314 8 0.176 4 0.398 5 0.393 6 (±0.000 2) (±0.000 5) (±0.000 1) (±0.000 6) (±0.000 8) (±0.000 2) All enhancement 0.346 8 0.269 7 0.312 9 0.253 8 0.332 1 0.369 1 (±0.000 3) (±0.000 1) (±0.000 3) (±0.000 5) (±0.000 5) (±0.000 2) ·804· 智 能 系 统 学 报 第 12 卷
第6期 刘路，等：基于文本扩展模型的网络视频聚类方法 ·805· 2007:265-274 tion for text categorization using world knowledge[C]/ [3]HINDLE A,SHAO J,LIN D,et al.Clustering Web video International Joint Conference on Artificial Intelligence search results based on integration of multiple features[J] Morgan Kaufmann Publishers Inc,2005:1048-1053 World wide web,2011.14(1):53-73. [16]HU X.SUN N.ZHANG C,et al.Exploiting internal and [4]NGUYEN P Q,NGUYEN-THI A T,NGO T D,et al.Us- external semantics for the clustering of short texts using ing textual semantic similarity to improve clustering quality world knowledge[C]//ACM Conference on Information of web video search results[Cl//2015 IEEE Seventh Interna- and Knowledge Management 2009.Hong Kong,China, tional Conference on Knowledge and Systems Engineering 2009:919-928. (KSE).Ho Chi Minh,Vietnam,2015:156-161. [17]HOTHO A,STAAB S,STUMME G.Wordnet improves [5]LIU S,ZHU M,ZHENG Q.Mining similarities for cluster- text document clustering[C]//Proceedings of Semantic Web ing web video clips[C]//International Conference on Com- Workshop,the 26th annual International ACM SIGIR Con- puter Science and Software Engineering.Wuhan,China, ference.Toronto,Canada,2003:541-544. 2008:759-762 [18]SONG Y,WANG H,WANG Z,et al.Short text conceptu- [6]KAMIE M,HASHIMOTO T,KITAGAWA H.Effective alization using a probabilistic knowledgebase[C]// web video clustering using playlist information[C]// Proceedings of the,International Joint Conference on Arti- Proceedings of the 27th Annual ACM Symposium on Ap- ficial Intelligence.Barcelona,Spain,2011:2330-2336. plied Computing.Trento,Italy,2012:949-956. [19]BLEI D M,NG A Y,JORDAN M I.Latent dirichlet alloc- [7]HUANG H,LU Y,ZHANG F,et al.A multi-modal cluster- ation[J].Journal of machine learning research,2003,3: ing method for web videos[J].Communications in com- 993-1022. puter and information science,2013,320:163-169. [20]YANG L,QIU M,GOTTIPATI S,et al.CQArank:jointly [8]ZHANG DQ,LIN C Y,CHANG S F,et al.Semantic video model topics and expertise in community question answer- clustering across sources using bipartite spectral clustering ing[C]//Proceedings of the 22nd ACM International Con- [C]//IEEE International Conference on Multimedia and ference on Information and Knowledge Management.San Expo.Taipei,China,2004:117-120. Francisco.USA.2013:99-108. [9]ZHANG JR,SONG Y,LEUNG T.Improving video classi- [21]ARTHUR D,VASSILVITSKII S.k-means++:the advant- fication via youtube video co-watch data[C]//Proceedings of ages of careful seeding[C]//Eighteenth Acm-Siam Sym- the 2011 ACM Workshop on Social and Behavioural Net- posium on Discrete Algorithms 2007.New Orleans,USA, worked Media Access.Scottsdale,USA,2011:21-26. 2007:1027-1035. [10]YIN J,WANG J.A dirichlet multinomial mixture model- [22]CAI D,HE X,HAN J,et al.Graph regularized nonnegat- based approach for short text clustering[C]//Proceedings of ive matrix factorization for data representation[J].IEEE the 20th ACM SIGKDD International Conference on transactions on pattern analysis and machine intelligence, Knowledge Discovery and Data Mining.New York,USA, 2010,33(8):1548-1560 2014:233-242 [23]YAN X,GUO J,LAN Y,et al.A biterm topic model for [11]YAN X,GUO J,LIU S,et al.Learning topics in short texts short texts[C]//International Conference on World Wide by non-negative matrix factorization on term correlation Web.Rio,Brazil,2013:1445-1456 matrix[C]//Proceedings of the 2013 SIAM International 作者简介： Conference on Data Mining.Austin,USA,2013:749-757. 刘璐，女，1994年生，硕士研究 [12]SAHAMI M,HEILMAN T D.A Web-based kernel func- 生，主要研究方向为数据挖掘、文本 tion for measuring the similarity of short text snippets[C]// 聚类。 International Conference on World Wide Web,WWW 2006.Edinburgh,Scotland,UK,2006:377-386. [13]YIH W,MEEK C.Improving similarity measures for short segments of text[J].Proceedings of artificial intelligence, Pune,India2007:1489-1494. 贾彩燕，女，1976年生，教授，博 [14]BANERJEE S,RAMANATHAN K,GUPTA A.Cluster- 土生导师，博士，中国人工智能学会“粗 ing short texts using wikipedia[C]//SIGIR 2007:Proceed- 糙集与软计算专业委员会”委员，主要 ings of the,International ACM SIGIR Conference on Re- 研究方向为数据挖掘、社会计算、生物 search and Development in Information Retrieval.Amster- 信息学。发表学术论文50余篇。 dam,the Netherlands,2007:787-788. [15]GABRILOVICH E,MARKOVITCH S.Feature genera-
2007: 265–274. HINDLE A, SHAO J, LIN D, et al. Clustering Web video search results based on integration of multiple features[J]. World wide web, 2011, 14(1): 53–73. [3] NGUYEN P Q, NGUYEN-THI A T, NGO T D, et al. Using textual semantic similarity to improve clustering quality of web video search results[C]//2015 IEEE Seventh International Conference on Knowledge and Systems Engineering (KSE). Ho Chi Minh, Vietnam, 2015: 156–161. [4] LIU S, ZHU M, ZHENG Q. Mining similarities for clustering web video clips[C]//International Conference on Computer Science and Software Engineering. Wuhan, China, 2008: 759–762. [5] KAMIE M, HASHIMOTO T, KITAGAWA H. Effective web video clustering using playlist information[C]// Proceedings of the 27th Annual ACM Symposium on Applied Computing. Trento, Italy, 2012: 949–956. [6] HUANG H, LU Y, ZHANG F, et al. A multi-modal clustering method for web videos[J]. Communications in computer and information science, 2013, 320: 163–169. [7] ZHANG D Q, LIN C Y, CHANG S F, et al. Semantic video clustering across sources using bipartite spectral clustering [C]//IEEE International Conference on Multimedia and Expo. Taipei, China, 2004: 117–120. [8] ZHANG J R, SONG Y, LEUNG T. Improving video classification via youtube video co-watch data[C]//Proceedings of the 2011 ACM Workshop on Social and Behavioural Networked Media Access. Scottsdale, USA, 2011: 21–26. [9] YIN J, WANG J. A dirichlet multinomial mixture modelbased approach for short text clustering[C]//Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York, USA, 2014: 233–242. [10] YAN X, GUO J, LIU S, et al. Learning topics in short texts by non-negative matrix factorization on term correlation matrix[C]//Proceedings of the 2013 SIAM International Conference on Data Mining. Austin, USA, 2013: 749–757. [11] SAHAMI M, HEILMAN T D. A Web-based kernel function for measuring the similarity of short text snippets[C]// International Conference on World Wide Web, WWW 2006. Edinburgh, Scotland, UK, 2006: 377–386. [12] YIH W, MEEK C. Improving similarity measures for short segments of text[J]. Proceedings of artificial intelligence, Pune, India, 2007: 1489–1494. [13] BANERJEE S, RAMANATHAN K, GUPTA A. Clustering short texts using wikipedia[C]//SIGIR 2007: Proceedings of the, International ACM SIGIR Conference on Research and Development in Information Retrieval. Amsterdam, the Netherlands, 2007: 787–788. [14] [15] GABRILOVICH E, MARKOVITCH S. Feature generation for text categorization using world knowledge[C]// International Joint Conference on Artificial Intelligence. Morgan Kaufmann Publishers Inc, 2005: 1048–1053. HU X, SUN N, ZHANG C, et al. Exploiting internal and external semantics for the clustering of short texts using world knowledge[C]//ACM Conference on Information and Knowledge Management 2009. Hong Kong, China, 2009: 919–928. [16] HOTHO A, STAAB S, STUMME G. Wordnet improves text document clustering[C]//Proceedings of Semantic Web Workshop, the 26th annual International ACM SIGIR Conference. Toronto, Canada, 2003: 541–544. [17] SONG Y, WANG H, WANG Z, et al. Short text conceptualization using a probabilistic knowledgebase[C]// Proceedings of the, International Joint Conference on Artificial Intelligence. Barcelona, Spain, 2011: 2330–2336. [18] BLEI D M, NG A Y, JORDAN M I. Latent dirichlet allocation[J]. Journal of machine learning research, 2003, 3: 993–1022. [19] YANG L, QIU M, GOTTIPATI S, et al. CQArank: jointly model topics and expertise in community question answering[C]//Proceedings of the 22nd ACM International Conference on Information and Knowledge Management. San Francisco, USA, 2013:99–108. [20] ARTHUR D, VASSILVITSKII S. k-means++:the advantages of careful seeding[C]//Eighteenth Acm-Siam Symposium on Discrete Algorithms 2007. New Orleans, USA, 2007: 1027–1035. [21] CAI D, HE X, HAN J, et al. Graph regularized nonnegative matrix factorization for data representation[J]. IEEE transactions on pattern analysis and machine intelligence, 2010, 33(8): 1548–1560. [22] YAN X, GUO J, LAN Y, et al. A biterm topic model for short texts[C]//International Conference on World Wide Web. Rio, Brazil, 2013: 1445–1456. [23] 作者简介： 刘璐，女，1994 年生，硕士研究 生，主要研究方向为数据挖掘、文本 聚类。 贾彩燕，女，1976 年生，教授，博 士生导师，博士，中国人工智能学会“粗 糙集与软计算专业委员会”委员，主要 研究方向为数据挖掘、社会计算、生物 信息学。发表学术论文 50 余篇。 第 6 期 刘璐，等：基于文本扩展模型的网络视频聚类方法 ·805·