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行互動。精準識別大量此類圖片傳達的情感在很多方面被證明有十分重要的研究價值和應用價值，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，不同領域間的圖片內容本身存在較大的差異性，而且不同領域間用來表達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行討論和研究，并提出該問題的有效解決方案。
　　當前已經(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記的訓練集上提取圖片的視覺特征進行有監(jiān)督學習，訓練經(jīng)典的機器學習分類模型，比如支持向量機(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)大量的有標記數(shù)據(jù)是有監(jiān)督

3、學習方法賴以存在的基礎，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)進行正確的情感標注卻是耗時耗力的工程;(2)在真實的應用程序中通常存在大量的圖片域（比如Flickr有1，187個域[1]），而不同領域間的圖片即使有相似的視覺特征，其所表達的情感傾向也有可能是相反的，如圖1.2所示，“face”領域的負向圖片和“car”領域的正向圖片具有相似的色彩柱狀圖;(3)在每個領域上訓練特定的圖片情感分類模型必然要求

4、每個領域上都有大量有標記的訓練數(shù)據(jù)，又回到挑戰(zhàn)(1)，而在整體數(shù)據(jù)集上訓練通用的分類模型則會造成其在每個領域上的表現(xiàn)效果可能都不盡如人意。因此，在已知含標記數(shù)據(jù)的域即源域和不含標記數(shù)據(jù)的域即目標域的前提下，如何訓練出針對目標域圖片數(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)進行一系列統(tǒng)計和分析，針對當前研究成果存在的不足，提出帶權重的協(xié)同訓練方法(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)雖然不同領域間的圖片特征有很大差異，但是源域和目標域圖片和文本間仍存在一些共性特征有待挖掘。因此，在訓練分類模型時，本文提出帶權重的協(xié)同訓練方法。該方法不僅考慮圖片數(shù)據(jù)，也將圖片相對應的文本數(shù)據(jù)考慮在內，分別計算源