基于深度神经网络的媒体信息分类方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度神经网络的媒体信息分类方法及装置，属于神经网络领域。所述基于深度神经网络的媒体信息分类方法包括：获取待分类的媒体信息，所述媒体信息为视频；从所述视频中选取帧图像，组成目标图像集；将所述目标图像集输入媒体信息分类深度神经网络模型；根据所述媒体信息分类深度神经网络模型的输出结果，确定所述媒体信息的关系类型，包括：该模型对目标图像集中的帧图像进行分类，统计数量最多的分类结果作为视频的分类结果。本发明专利技术通过深度神经网络技术，对视频媒体信息进行自动分类，有效提高视频媒体的有效专向投放推送。

Media information classification method and device based on depth neural network

The invention discloses a method and a device for classifying media information based on a deep neural network, belonging to the field of neural networks. The media information classification method based on deep neural network includes: acquiring unspecifide media information, the media information for the selected video frames; an image from the video, which target image set; the target image in the input media information classification and the depth of the neural network model; according to the output results of the media information classification the depth of the neural network model, determine the type, relationship with the media information including: the model to classify the image of target image on the classification results of most statistical classification results as the number of video. The depth of neural network technology for automatic classification of video media information, improve the efficiency of special video media delivery push.

【技术实现步骤摘要】
基于深度神经网络的媒体信息分类方法及装置
本专利技术涉及神经网络领域，特别涉及一种基于深度神经网络的媒体信息分类方法及装置。
技术介绍
随着互联网科技的迅猛发展，网络媒体信息如雨后春笋，以网络分类广告的发展最为鼎盛，其充分利用计算机网络的优势，对大规模的生活实用信息，按主题进行科学分类，并提供快速检索。近来，网络分类广告已成为一种新的网络广告形式，为广大网民提供实用、丰富、真实的消费和商务信息资源，网络分类表现形式多样化，现有量和新增速率都十分惊人。广告的投放理念越来越向着按需投放的方向发展，向匹配人群用户投放广告，不仅能提高广告的投放实效，也可以避免非匹配用户人群对不感兴趣的广告产生厌恶情绪。随着无线网络的普及，视频广告逐渐取代网页广告，成为广告媒体信息的主流，较网页广告而言，视频广告更为直接形象，因此，网络视频广告资源铺天盖地，目前广告的分类技术主要是针对文本网页广告进行分类，而缺乏对视频广告的分类，对于如此巨量的视频广告，仅凭借人力对视频进行分类费时费力，造成视频广告的有效投放率过低。
技术实现思路
为了解决现有技术的问题，本专利技术提供了一种基于深度神经网络的媒体信息分类方法及装置，根据媒体信息分类深度神经网络模型即可识别媒体信息类型。所述技术方案如下：一方面，本专利技术提供了一种基于深度神经网络的媒体信息分类方法，所述方法包括：获取待分类的媒体信息，所述媒体信息为视频；从所述视频中选取帧图像，组成目标图像集；将所述目标图像集输入媒体信息分类深度神经网络模型；根据所述媒体信息分类深度神经网络模型的输出结果，确定所述媒体信息的关系类型，包括：该模型对目标图像集中的帧图像进行分类，统计数量最多的分类结果作为视频的分类结果。可选地，所述从所述视频中选取帧图像包括选取视频的所有帧图像或者从所有帧图像中选取目标帧图像。优选地，所述选取目标帧图像包括：对所有帧图像计算权重值，选取符合预设的权重标准的帧图像作为目标帧图像，所述权重标准包括权重标准值和权重标准排名。可选地，所述选取目标帧图像包括：对所有帧图像进行聚类，得到多个帧聚类，选取离所述帧聚类中心最近的帧图像作为目标帧图像。进一步地，所述媒体信息分类方法还包括预先训练媒体信息分类深度神经网络，包括：获取图像集样本数据，所述图像集样本数据标记有分类类型；采用随机梯度下降法最小化损失函数；通过图像集样本数据及完成最小化的损失函数，对所述媒体信息分类深度神经网络进行训练，得到模型。具体地，所述采用随机梯度下降法最小化损失函数包括：根据神经网络的所有权重和损失函数，采用反向传播法得到损失函数的梯度；根据所述梯度，采用随机梯度下降法，更新神经网络的权重；将更新的权重进行预设次数的迭代，以最小化损失函数。另一方面，本专利技术提供了一种基于深度神经网络的媒体信息分类装置，所述装置包括：信息获取模块，用于获取待分类的媒体信息，所述媒体信息为视频；图像集模块，用于从所述视频中选取帧图像，组成目标图像集；输入模块，用于将所述目标图像集输入媒体信息分类深度神经网络模型；分类模块，用于根据所述媒体信息分类深度神经网络模型的输出结果，确定所述媒体信息的关系类型，包括：该模型对目标图像集中的帧图像进行分类，统计数量最多的分类结果作为视频的分类结果。可选地，所述图像集模块从所述视频中选取视频的所有帧图像或者从所有帧图像中选取目标帧图像；所述图像集模块从所有帧图像中选取目标帧图像有以下两种形式：第一、所述图像集模块包括权重子模块，所述权重子模块用于对所有帧图像计算权重值，选取符合预设的权重标准的帧图像作为目标帧图像，所述权重标准包括权重标准值和权重标准排名；第二、所述图像集模块包括聚类模块，所述聚类模块用于对所有帧图像进行聚类，得到多个帧聚类，选取离所述帧聚类中心最近的帧图像作为目标帧图像。进一步地，所述媒体信息分类装置还包括网络预训练模块，所述网络预训练模块包括：样本子模块，用于获取图像集样本数据，所述图像集样本数据标记有分类类型；最小化损失子模块，采用随机梯度下降法最小化损失函数；模型生成子模块，用于通过图像集样本数据及完成最小化的损失函数，对所述媒体信息分类深度神经网络进行训练，得到模型。优选地，所述最小化损失子模块包括：梯度单元，用于根据神经网络的所有权重和损失函数，采用反向传播法得到损失函数的梯度；权重更新单元，用于根据所述梯度，采用随机梯度下降法，更新神经网络的权重；迭代单元，用于将更新的权重进行预设次数的迭代，以最小化损失函数。除此，本专利技术还提供了一种媒体信息推送方法，包括：获取待分类的媒体信息，所述媒体信息为视频；从所述视频中选取帧图像，组成目标图像集；将所述目标图像集输入媒体信息分类深度神经网络模型；根据所述媒体信息分类深度神经网络模型的输出结果，确定所述媒体信息的关系类型，包括：该模型对目标图像集中的帧图像进行分类，统计数量最多的分类结果作为视频的分类结果；根据视频的分类结果，将所述视频媒体信息推送给匹配用户。本专利技术提供的技术方案带来的有益效果如下：1)获取样本方式简便，样本源丰富，训练得到的模型可以于不同的应用场合重复使用；2)训练方式简单，利用随机梯度下降法对模型的损失函数进行最小化处理，有效提高模型的分类精准性；3)对广告视频进行自动分类，提高广告投放的准确率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的基于深度神经网络的媒体信息分类方法的流程图；图2是本专利技术实施例提供的广告视频分类方法的流程图；图3是本专利技术实施例提供的媒体信息分类深度神经网络的训练方法流程图；图4是本专利技术实施例提供的获取待训练的图像集样本数据的第一方法流程图；图5是本专利技术实施例提供的获取待训练的图像集样本数据的第二方法流程图；图6是本专利技术实施例提供的模型损失函数最小化方法流程图；图7是本专利技术实施例提供的基于深度神经网络的媒体信息分类装置的模块框图；图8是本专利技术实施例提供的利用基于深度神经网络的媒体信息分类方法进行消息推送的方法流程图；图9是本专利技术实施例提供的CNN网络模型中神经元的结构示意图；图10是本专利技术实施例提供的RNN网络模型中LSTM记忆单元的结构图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的本文档来自技高网...

【技术保护点】
一种基于深度神经网络的媒体信息分类方法，其特征在于，所述方法包括：获取待分类的媒体信息，所述媒体信息为视频；从所述视频中选取帧图像，组成目标图像集；将所述目标图像集输入媒体信息分类深度神经网络模型；根据所述媒体信息分类深度神经网络模型的输出结果，确定所述媒体信息的关系类型，包括：该模型对目标图像集中的帧图像进行分类，统计数量最多的分类结果作为视频的分类结果。

【技术特征摘要】
1.一种基于深度神经网络的媒体信息分类方法，其特征在于，所述方法包括：获取待分类的媒体信息，所述媒体信息为视频；从所述视频中选取帧图像，组成目标图像集；将所述目标图像集输入媒体信息分类深度神经网络模型；根据所述媒体信息分类深度神经网络模型的输出结果，确定所述媒体信息的关系类型，包括：该模型对目标图像集中的帧图像进行分类，统计数量最多的分类结果作为视频的分类结果。2.根据权利要求1所述的方法，其特征在于，所述从所述视频中选取帧图像包括选取视频的所有帧图像或者从所有帧图像中选取目标帧图像。3.根据权利要求2所述的方法，其特征在于，所述选取目标帧图像包括：对所有帧图像计算权重值，选取符合预设的权重标准的帧图像作为目标帧图像，所述权重标准包括权重标准值和权重标准排名。4.根据权利要求2所述的方法，其特征在于，所述选取目标帧图像包括：对所有帧图像进行聚类，得到多个帧聚类，选取离所述帧聚类中心最近的帧图像作为目标帧图像。5.根据权利要求1所述的方法，其特征在于，还包括预先训练媒体信息分类深度神经网络，包括：获取图像集样本数据，所述图像集样本数据标记有分类类型；采用随机梯度下降法最小化损失函数；通过图像集样本数据及完成最小化的损失函数，对所述媒体信息分类深度神经网络进行训练，得到模型。6.根据权利要求5所述的方法，其特征在于，所述采用随机梯度下降法最小化损失函数包括：根据神经网络的所有权重和损失函数，采用反向传播法得到损失函数的梯度；根据所述梯度，采用随机梯度下降法，更新神经网络的权重；将更新的权重进行预设次数的迭代，以最小化损失函数。7.一种基于深度神经网络的媒体信息分类装置，其特征在于，所述装置包括：信息获取模块，用于获取待分类的媒体信息，所述媒体信息为视频；图像集模块，用于从所述视频中选取帧图像，组成目标图像集；输入模块，用于将所述目标图像集输入媒体信息分类...

【专利技术属性】
技术研发人员：张仙伟，左玲，梁锦锦，王宏，侯珂，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：陕西,61