基于势能导向的互联网视频资源分布式情感搜索模型研究

In the upcoming era of information explosion, the number of online videos is rapidly increasing. However, it does not bring an obvious improvement in users’ experience. One of the key reasons is the lack of effective mechanism of sentiment searching or publishing for online videos aiming at users’ subjective emotion. Specially, it is short of a theory model, which plays a fundamental role, in sentiment searching for videos. Yet, there is no effective solutions according to current researches on sentiment analysis, because they have only focused on the positive and negative polarity judgments of sentiments, while ignoring the emotional diversity of expression and intensity. Moreover, in the area of distributed network structure for resource searching, the related researches focus on the design of network architecture for content-oriented searching, rather than sentiment-oriented searching. Concentrating on two key scientific issues of expression and adaptability for sentiment objects, we propose a concept of potential energy for sentiment-implied resources, and construct a sentiment digitalized framework for online videos, as well as a distributed model of sentiment searching. Also, focusing on issues of digital sentiment and sentiment searching, a system of sentiment delivery network and an adaptation strategy for sentiment-implied resources will be designed. The expected outcomes of this project will impact the field of distributed networks in both theoretical and practical aspects, and offer significant academic and commercial values.

在当前信息爆炸的时代，互联网上视频资源数量的急剧增加并未带来用户体验感的大幅度提升，主要原因是缺乏专门针对用户主观感受进行视频情感搜索或推送的有效机制，尤其是缺少扮演基石角色的视频情感搜索理论模型。然而，现有的研究成果还无法提供有效的解决方案。一方面，情感分析的研究过于注重于对情感进行正面和负面的极性判断，而忽略了情感的多元化表达和强度问题。另一方面，在面向资源搜索的分布式网络结构上，相关研究集中在解决以内容搜索为目标的网络架构设计上，而非以情感搜索为目标。鉴于此，本项目提出情感资源的“势能”概念，围绕情感资源的表达性和适配性两大科学问题，构建视频情感数字化框架和基于势能的分布式情感搜索基础模型，重点研究满足“数字情感”和“情感搜索”两大要素的情感分发网络体系及情感资源的适配策略。本项目的预期成果将从理论和应用上迅速促进分布式网络领域的发展，具有重大的学术研究意义和商业应用价值。

在互联网视频资源数量急剧膨胀，用户观看习惯发生重大变化的大背景下，对视频资源进行更细粒度的理解、分析和应用成为当务之急。由于视频资源具有信息密集、表象多样化等特点，当前，对视频资源进行内容检索、剪辑和重新编排等类似任务仍然极具挑战。在此背景下，本项目围绕互联网细粒度视频资源的分布式搜索服务展开研究，构建了以势能场模型和资源流动模型为核心的分布式搜索机理，以及面向片段级别和剧集级别的视频资源分布式服务框架。本项目的主要研究工作和贡献包括：. 首先，采集并发布了目前数据量最大、涵盖视频范围最广的时间同步评论文本数据集TSCSet，共包含906部剧集、17870部视频以及超过3200万条时间同步评论数据。作为首个公开的大型时间同步评论数据集，TSCSet包含了“剧集-视频-时间同步评论”三个层级的完整结构和丰富的标签数据，为研究人员开展视频资源的相关研究打下了坚实的数据基础。. 其次，提出了用于细粒度视频资源搜索的势能场模型和资源流动模型。通过引入势能场的概念，将节点视频资源信息通过势能场的模式进行传播，而搜索消息通过势能值的引导能快速到达目标节点处。. 再次，提出了基于图卷积和上下文环境编码的语义去噪模型，通过图卷积网络的节点特征传播能力和上下文环境编码这一重要特征，对时间同步评论的语义质量进行分类，从而实现对评论中出现的诸如广告、无意义字符串等噪声数据的检测和排除，有效提高数据质量。. 最后，提出了视频资源的多元化情感服务模式。针对片段级别的视频情感服务，设计了基于用户行为特征变化和片段语义主题变化的多种精彩片段探测方法。针对剧集级别的视频资源，设计了视频内容的情感多标签分类、基于情感特征的视频推荐、基于用户情感表达的亮点自动探测服务方法。. 本项目的研究工作和成果，将对人工智能和计算机网络的理论发展有积极的推动作用，同时，在互联网创新应用服务方面也有重要的实用价值。