英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料
sentic相册：内容，概念，和网上个人相册管理系统背景
作者:Erik Cambria Amir Hssian
摘要:在过去的几年里，在线个人照片管理的世界已经走过了漫长的道路，但今天，在网上图片的注释、组织和检索方面，仍然存在着巨大的空白，它们可以很容易地查询和可视化。现有的基于内容的图像检索系统应用统计、模式识别、信号处理和计算机视觉技术，但这些仍然太薄弱，无法在低层数据表示和用户与图像关联的高级概念之间“缩小语义鸿沟”。另一方面，图像元搜索引擎依赖于与在线图片相关的标记，但结果往往太不准确，因为它们主要依赖于基于关键字的概念，而不是基于概念的算法。感性相册是一种新型的内容，概念，和基于上下文的在线个人相册管理系统，利用数据和网上个人图片元数据智能注释，整理和检索。事实上，图片的许多突出特征只在观者的脑海中清晰可见，理解这些特征的认知能力是对个人照片进行分析和分类的关键。为此，利用感性相册不只是颜色和质地的在线图像（内容），而且也是他们的认知和情感与元数据相关的信息（概念），和相对时间、地理位置、和用户交互的元数据（背景）。
关键字:人机交互的认知和情感信息处理； 图像对图像分类特征；图像情感语义的图像检索；
sentic相册
序言:由于许多社交网站允许用户方便地在线上传和共享个人图片，如今，网络用户之间的大部分社交互动都是通过个人数字照片和与这些相关联的元数据来表达的。出版、添加描述、评论、标签、链接网上的图片是网络上进行的最常见的活动，这些不只是在特定的照片分享网站Picasa和Flickr等，也在脸谱网或聚友网等社交网站进行。事实上，最受欢迎的用户生成内容（UGC）是由图像及其相关元数据而不是文本、音频或视频来表示的。但是，对于同样的原理，以便于查询和可视化的方式对这些图像进行注释、组织和检索是非常困难的任务。在过去，基于内容的图像检索（CBIR）系统和图像元搜索引擎应用不同的技术来提取图像数据和元数据的含义，但这些到目前为止，作为人类的认知和理解图像的主观操作而在语义层面上.感性相册是一个多层次的体系结构，利用人工智能和语义Web技术来处理图像数据和元数据内容、概念、和语境层面。为了掌握网上的个人照片的显著特征，从而找到注解，智能的方式组织和检索。在这项工作中，特别是我们专注于弥合差距在观念层面上利用语义和情感学，即认知和情感信息，在线图片相关。我们使用Sentic计算，以情感分析是一个多学科的方法，处理图像的元数据，并定义网上图片的感知质量。然后我们利用不同的Web本体在语义感知格式编码的结果，最终，代表这个信息作为一个相互联系的知识库，并通过多方位的分类浏览网站。
本文的结构如下：“网上的个人照片管理”部分介绍了网上的个人照片管理的艺术状态；“语义和情感学的个人照片”部分论述了认知和情感的个人图片相关信息的重要性；“Sentic计算”了Sentic计算工具技术在本文采用解释部分；“注释”模块，存储模块”和“搜索和检索模块”部分说明标注模块、存储模块、以及搜索和检索模块，分别为；“评价”部分提出了全面系统的评价；“结论和未来的工作”最后一节包括结束语和对未来工作的描述。
在线个人照片管理:
有效地访问在线个人图片需要能够正确地注释、组织和检索与之相关联的信息。虽然搜索个人文档的技术已经有一段时间了，但管理个人图像的技术更具挑战性。这主要是由于这样一个事实，即即使图像可以粗略地自动解释，但是许多突出的特征只存在于用户的头脑中。因此，系统对个人图像进行索引的唯一方法就是尝试捕获和处理这些特性。现有的基于内容的图像检索系统，如基于Virage [ 23 ]、火星、ImageGrouper [ 52 ]、万里行[ 54 ]、CIVR [ 63 ]，acquine [ 17 ]和k-dime试图建立智能用户界面（IUIS）能够检索图片根据其内在的内容通过统计、模式识别、信号处理、计算机视觉、支持向量机和神经网络，但这些技术仍然太弱，在用户心中的数据表示和图像概念模型之间的差距。图像搜索引擎如WebSeek WebSeer [ 64 ]，[ 24 ]，PicASHOW [ 44 ]，或谷歌，雅虎。另一方面，依靠在线图片相关的标签，但是，在个人照片管理的情况下，用户不可能花费大量的努力手动分类和分类的图像检索方便未来的希望。此外，由于这些技术主要依赖于基于关键字的概念，而不是基于概念的算法，因此它们往往错过了通过不同词汇表或表示隐式语义连通性的概念表达的关键字之间的潜在连接。为了有效地处理照片元数据，从而有效地对图像进行注释，在语义上而不是语法层面上工作是必要的。软件代理，旨在方便讲故事的任务由机会主义暗示的照片，可能是相关的什么是用户打字。类似的方法一直跟着他[ 14 ]，一个对话讲故事，鼓励人们进行相干积分系统，通过实例化的大型故事模式和提示说明媒体。它利用一个大型常识性知识库，在说书人和观众之间的文本聊天中实时地进行自然语言处理，并从图书馆推荐适当的媒体项目。这两种方法都有许多优点，因为概念不同于关键字，对形态变异、缩写或近义词不敏感。然而，仅仅依靠语义知识库是不足以推断出每个用户头脑中不同的图片或多或少相关的显著特征。为此，提出了利用Sentic专辑AI和语义Web技术来执行不同的知识基础和推理，因此，推断的认知和情感信息与元数据相关的照片。该系统进一步支持了这一概念的层次分析的内容和上下文的基础技术，以捕获所有网上图片的不同方面，因此，提供使用者一个IUI，导航的实时通过多方位的分类网站，因为很多我们所谓的认知问题解决智能真是确定什么是一个上下文相关的重要知识，随后做出及时有效的能力[ 47 ]。
个人照片的语义和情感学的重要性:
在日常生活中，认知和情感过程紧密交织在一起[ 16 ]。认知和交流的情感方面被认为是人类智力的一个重要部分，并被认为在确保社会生活成功方面比智力更为重要。[ 56, 70 ]。事实上，情绪影响我们执行共同认知任务的能力，例如形成记忆和与他人交流。例如，一项心理学研究表明，人们为了掩饰不愉快的、令人愉快的幻灯片而要求隐藏情绪面部表情，比对照参与者更记不住幻灯片（3）。同样地，一项关于谈话的研究显示，被要求隐藏情感的面部和声音线索的浪漫伴侣在谈论重要的关系冲突时，比那些没有收到压制指示的伴侣记得的话少了62。许多研究表明，情绪似乎都能提高对事件主旨的记忆，并破坏对事件外围方面更多的记忆[ 4, 15, 61，73 ]。这个想法，广义上说是，激发导致一个有机体可以接受的范围的减少。这个注意狭窄直接导致外周线索的排除，这就是为什么情绪会在事件的边缘信息的记忆。同时，这种缩小使精神资源集中在更多的中心材料上，这就导致了情绪对事件中心的记忆的有益影响[ 40 ]。
因此，我们并不是把特定的认知和情感价值赋予特定的视觉刺激，而是更经常地平衡个人图片的重要性，根据个人图片中包含的信息与我们的生活、目标和价值观有关（也许，我们关心的人的生活和价值观）。由于这个原因，如果某个特定的用户想起了他/她生命中最重要的时刻或人物，那么在某个特定的用户心目中，一张质量不好的图片就可以排得很高。事实上，事件和情况，可能是有组织的人类的思想是相互关联的概念和最相关等概念的联系可能是加权的影响，我们倾向于更好的回忆是非常积极的或非常负面的情绪有关，就像我们往往更容易忘记非常小或空的情感概念。问题在于，当试图模仿这样的认知和情感过程时，认知信息通常是客观的和无偏见的，情感信息是相当主观的和争论的。例如，在“车”是一辆车，并且通常有没有关于检索的图像显示了一个树在非洲热带稀树草原景观的标签下的正确性的讨论，可能会有关于是否检索到的车是#39;酷#39;或是#39;好#39;或是#39;发现景观和平”或“无趣”[ 28 ]的一些讨论。
为了妥善处理情感和自然语言的歧义性，利用Sentic专辑集合情感计算和常识计算技术来分析图像数据和元数据，因此，推断在不同的在线照片每个用户真正重要的是什么。特别是，作为一个图像的语义内容通常有最大影响的情绪影响它传达情感学是建立在语义上和加工成对这些。在这种方式中，认知和情感的个人照片相关信息可以据此推断由Sentic计算手段的集成，近年来提出的一个概念层次的意见挖掘范式已予采纳，这是第一次，在个人照片管理领域，对于在线图像和其他内容的综合分析结合语境层技术。
Sentic计算:
特别是，Sentic计算涉及人工智能和语义Web技术的使用，为知识的表示和推理；数学，执行任务如图挖掘和多维度的降低；对语言学、话语分析和语用学；心理学，认知和情感建模；社会学，了解社会网络的动态变化及社会影响；及最后，伦理，了解关于心性和情感机器创作的相关问题。在这项工作中，特别是，我们利用三Sentic计算工具，即：
1.语言的可视化和分析系统（见“affectivespace”部分）
2.一种新的情绪分类模型（见《情感的沙漏》一节）
3人类情感的Web本体论（见“人类情感本体论”部分）
entic计算技术，即：
1一种用于在多维空间中聚类的概念技术（见“Sentic中心”部分）
2一种常见的语义识别的统计方法（见“cf-iof加权”部分）
3通过扩展激活来扩展语义的技术（参见“谱关联”部分）
大多数这样的工具和技术都是作者在以前的著作中开发的，只是为了简洁起见才在这里简要报道.
情感空间:
affectivespace [ 8 ]是一个多维向量空间表示的affectnet，语义网络建立在概念网[ 30 ]，一个有向图表示的常识性知识，和WordNet的影响（WNA）[ 66 ]，对情感知识的词汇表征语言资源。特别是，affectnet利用#39;勾兑#39;技术[ 32 ]进行推理在概念网和组织的同时，利用它们之间的重叠。对齐操作在这两个知识库产生一个矩阵，其中的常识和情感知识并存，即一个矩阵的14301行的概念（如“狗”、“烤蛋糕”），柱可以是常识和情感特征（例如，#39;是一个宠物或“hasemotion欢乐），其值表示的断言的真值。
因此，每个概念是由可能的值，产生正价断言的特点是积极特征空间向量表示（例如，“企鹅是鸟），阴性，产生负价断言的特征（例如，“企鹅不能飞的），零当没有什么关于断言称。相似概念之间，然后程度，是他们之间的行的点积的这样的点积值增大时，两个概念是具有相同特征的描述和下降时，是彼此否定的特征描述。
特别是，我们用截断奇异值分解（TSVD）[ 71 ]为了得到一个新的矩阵包含层次情感和常识知识。由此产生的矩阵形式（符号{一} = u_k \ \ upsigma_k * V * ^ t_k \）是一种低秩近似的，原始数据。这种近似是基于一个和Frobenius范数之间的差异最小化（\符号{ } \）的约束下（{ } } {等级\文字\，（\的{ }）= K \）为埃卡特–杨格定理[ 20 ]，它代表着一个均方意义下的最佳逼近。
因此，\（\的{一} \）秩K是一个在Frobenius范数意义下当sigma;我=我最好的近似（i = 1，hellip;，k），和相应的奇异向量的如果我们选择抛弃所有，但第一主成分同样的，常识性的概念，和情绪是由K坐标向量表示：这些坐标可以看作是描述“eigenmoods”形式的affectivespace，轴是术语概念，依据（e_0 \，\ ldots，e_ { K-1 } \）的向量空间（图1）。例如，最重要的eigenmood，E 0，代表与积极情感价的概念.这是更大的在E 0方向概念的成分，更有效的正是。负E 0成分的概念很可能有负的情感效价。因此，利用TSVD信息共享财产，具有相同的情感价概念都有类似的特点，是输送同样的情感概念往往落在AffectiveSpace彼此靠近。概念相似性并不依赖于向量空间中的绝对位置，而是取决于它们与原点的夹角。例如，我们可以发现概念“美好的一天#39;，#39;生日#39;，#39;笑#39;，和#39;使人快乐”非常接近的方向向量空间的概念，而像“生病”、“内疚”、“下岗”、“流泪”是一完全不同的方向（相对于中心的空间几乎是相反的）。
情感的沙漏:
在概念affectivespace性格原因，我们运用情绪[ 10 ]沙漏，一种情感的分类模型中，情感是围绕四个独立但随之而来的尺寸，其不同层次的激活被认为弥补心灵的总的情绪状态。沙漏模型实际上是基于这样一种观点，即头脑是由不同的独立资源组成的，情感状态是由一组资源转为另一组资源而产生的。[ 50 ]。每一个这样的选择都会通过改变我们大脑的活动来改变我们的思维方式：例如，愤怒的状态似乎会选择一组资源，帮助我们以更快的速度和力量做出反应，同时也会抑制一些通常使我们谨慎行事的其他资源
我们能衡量的主要量是一种我们感觉到的力量。但是，当我们感到强烈的情感时，那是因为我们感觉到一种非常特别的情绪。相反地，如果没有那种强烈的情感，我们就无法感受到恐惧或惊奇等特定的情感。绘制这个可能的情绪空间会导致沙漏形状（图2）。情感，特别是沙漏，可以利用人机交互的上下文来衡量多少，分别，用户通过交互方式有趣（愉快），互动的内容感兴趣（关注），舒适的相互作用动力学（灵敏度），或自信的互动效益（能力）。每一个情感维度，尤其是由六级激活（测量一个情绪的强度），称为“Sentic水平，确定表达/感知情绪强度为\（int在[ 3, 3 ] \）。
人类情感本体论:
人类的情感ontology8（HEO）[ 27 ]（图3）被认为是人类情感供应最重要的概念和特性，为每个人的情感描述的核心高层本体。如果需要的话，这些高级功能可以通过使用与更具体的描述相关的低级概念和属性来进一步细化，或者与其他更专门的本体相联系。机制的主要目的是建立一个描述框架，能给予的灵活性（通过允许一个广泛的、可扩展的组描述符来表示一种感情的所有主要功能的使用）和互操作性（通过允许概念属于不同的情感表示模型属性的映射）同时Web本体语言描述逻辑（OWL DL）[ 51 ]选择机制的发展，以利用其表达能力和推理能力地图用于情感描述不同的模型
全文共31796字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[15555]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
