基于伴隨文本信息的Web圖像批量標(biāo)注方法

郭蕾蕾，俞 璐，段國(guó)侖，陶性留

(1.陸軍工程大學(xué) 通信工程學(xué)院，江蘇 南京 210007；2.陸軍工程大學(xué) 指揮控制工程學(xué)院，江蘇 南京 210007)

0 引言

隨著互聯(lián)網(wǎng)的迅速普及以及多媒體技術(shù)的快速發(fā)展，圖像資源的數(shù)量急劇增長(zhǎng)。如何快速、有效檢索圖像正逐漸成為學(xué)術(shù)界研究的一個(gè)熱點(diǎn)，圖像標(biāo)注作為圖像檢索的核心，也越來(lái)越受到研究者的關(guān)注。同時(shí)圖像標(biāo)注具有廣泛的應(yīng)用領(lǐng)域和前景，在圖像分析、圖像理解、大規(guī)模圖像管理等不同領(lǐng)域均有一定的應(yīng)用和研究[1]。

傳統(tǒng)的圖像標(biāo)注大都是人工標(biāo)注，即專(zhuān)家手工地對(duì)圖像進(jìn)行文本注釋。然而面對(duì)海量圖像，人工標(biāo)注費(fèi)時(shí)費(fèi)力，同時(shí)會(huì)帶入某些主觀因素，直接影響到圖像標(biāo)注的準(zhǔn)確性。顯然這種依賴(lài)人工方式實(shí)現(xiàn)的圖像標(biāo)注，已經(jīng)無(wú)法滿(mǎn)足需求[2]，圖像自動(dòng)標(biāo)注技術(shù)得以迅速發(fā)展。

所謂圖像自動(dòng)標(biāo)注，就是讓計(jì)算機(jī)自動(dòng)地為圖像添加上能夠反映圖像內(nèi)容或用戶(hù)意圖的文本標(biāo)簽[3]。圖像自動(dòng)標(biāo)注分為有監(jiān)督學(xué)習(xí)的圖像自動(dòng)標(biāo)注和無(wú)監(jiān)督學(xué)習(xí)的圖像自動(dòng)標(biāo)注。由于大多數(shù)網(wǎng)絡(luò)圖像集都未帶語(yǔ)義標(biāo)簽，因此無(wú)監(jiān)督的學(xué)習(xí)方法備受學(xué)者關(guān)注，這也是本文研究的一個(gè)重點(diǎn)內(nèi)容。

互聯(lián)網(wǎng)時(shí)代，大多數(shù)圖像是Web圖像。Web圖像通常關(guān)聯(lián)著豐富的文本信息，如圖像文件名、周邊文本等，圖像的語(yǔ)義或多或少地都與這些關(guān)聯(lián)文本相關(guān)，分析挖掘這些關(guān)聯(lián)文本信息，可以更準(zhǔn)確地對(duì)圖像進(jìn)行標(biāo)注[4]。因此，在Web圖像語(yǔ)義自動(dòng)標(biāo)注過(guò)程中，如何利用Web圖像的伴隨文本來(lái)提高標(biāo)注性能是當(dāng)前研究的熱點(diǎn)之一。

為說(shuō)明伴隨文本信息對(duì)于圖像標(biāo)注的重要性，本文提出了一種僅利用圖像伴隨文本信息，而沒(méi)有利用圖像特征的批量標(biāo)注方法。

1 相關(guān)工作

1.1 TF-IDF算法

TF-IDF(Term Frequency-Inverse Document Frequency)算法是一種廣泛應(yīng)用于信息檢索和文本挖掘領(lǐng)域的常用技術(shù)。其主要思想是：如果某個(gè)詞在某篇文檔中出現(xiàn)的頻率高，即TF高；在語(yǔ)料庫(kù)其他文檔中出現(xiàn)的頻率低，即DF很低，也即IDF高，則認(rèn)為這個(gè)詞具有很好的區(qū)分能力[5]。

詞頻(Term Frequency)、逆文檔頻率(Inverse Document Frequency)的計(jì)算公式如下：

(1)

(2)

tfidfi,j=tfi,j×idfi

(3)

1.2 向量空間模型(VSM)

向量空間模型(VSM)是文本建模中常用的模型之一,它的主要思想是將文本用多維空間的向量來(lái)表示，每一個(gè)不同的特征項(xiàng)(詞語(yǔ)或句子)對(duì)應(yīng)向量空間的一維，而每一維的值就是對(duì)應(yīng)的特征項(xiàng)在文本中的特征值。

通常，向量空間模型(VSM)將文本集中的每個(gè)文檔di用特征權(quán)重向量(wi1,wi2,..,win)表示，其中wij表示特征詞tj(j=1,2,…,n)的權(quán)重。向量空間模型的構(gòu)造過(guò)程如圖1所示[6]。

圖1 向量空間模型構(gòu)造過(guò)程圖

1.3 Word2vec與Doc2vec

向量空間模型中的特征權(quán)重向量常用Word2vec模型獲得。Word2vec是Google在2013年開(kāi)源的一款將詞表征為空間向量的模型工具，主要采用連續(xù)詞袋模型(Continuous Bag-Of-Words，CBOW)以及Skip-gram模型[7]。它基于人工神經(jīng)網(wǎng)絡(luò)，通過(guò)多層感知機(jī)將初始的底層特征組合為更抽象的高層特征，并將高層特征用于普通的機(jī)器學(xué)習(xí)方法以得到更好的效果。Word2vec通過(guò)訓(xùn)練，可以把文本內(nèi)容的處理簡(jiǎn)化為n維向量空間中的向量運(yùn)算，向量空間上的相似度可以用來(lái)表示文本語(yǔ)義上的相似度。

雖然可以直接將句子/文檔中所有詞的向量取均值作為它們的向量表示，但是這樣會(huì)忽略單詞之間的排列順序?qū)渥踊蛭谋拘畔⒌挠绊??；诖?，MIKOLOV T提出了Doc2vec模型。Doc2vec模型其實(shí)是在Word2vec模型的基礎(chǔ)上做出的改進(jìn)，基本思路很接近。

2 基于伴隨文本信息的圖像標(biāo)注

針對(duì)傳統(tǒng)人工標(biāo)注所展現(xiàn)出來(lái)的缺點(diǎn)，本文提出了如圖2所示的方法來(lái)批量自動(dòng)標(biāo)注圖像。

圖2 圖像標(biāo)注流程圖

2.1 文本預(yù)處理

一般而言，相比處理整個(gè)句子的文本，處理一個(gè)詞匯組成的列表更為簡(jiǎn)單，因此，需要采用分詞技術(shù)將字詞與字詞分割開(kāi)來(lái)，即進(jìn)行分詞處理。對(duì)于中文分詞，目前技術(shù)比較成熟，常用的分詞工具有jieba、NLPIR、THULAC等。

分詞后的文本中通常會(huì)存在大量的虛詞、代詞、生僻詞或者沒(méi)有特定含義的詞，這些詞語(yǔ)對(duì)文本分析起不到任何幫助。在具體的文本處理中，通常情況下需要構(gòu)建一個(gè)停用詞表，通過(guò)字符串匹配或借助其他策略將文本中的停用詞剔除[8]，這個(gè)過(guò)程就是去除停用詞。

接下來(lái)利用Doc2vec將文檔向量化，把每一個(gè)文檔表示成向量形式，以便后續(xù)進(jìn)行計(jì)算與處理。

2.2 文本聚類(lèi)

2.2.1聚類(lèi)意義

本文研究的是無(wú)監(jiān)督圖像標(biāo)注，沒(méi)有樣本類(lèi)別信息可供學(xué)習(xí)，采用聚類(lèi)方式至少有兩個(gè)優(yōu)點(diǎn)：

(1)通過(guò)聚類(lèi)可以抽取樣本的本質(zhì)特征，過(guò)濾掉一些無(wú)關(guān)的或者特有的信息。比如對(duì)于多個(gè)描述“犬類(lèi)”的文檔，若不采用聚類(lèi)，得到的圖像標(biāo)注可能是具體的描述，如“貴賓犬”、“牧羊犬”、“秋田犬”等，但事實(shí)上看到這些圖像，只希望標(biāo)注出“狗”、“犬”等即可，聚類(lèi)可以達(dá)到此目的。

(2)通過(guò)聚類(lèi)得到的簇中包含了多個(gè)具有共性的文檔，可將整個(gè)簇中的文本所對(duì)應(yīng)的圖像用相同的詞語(yǔ)進(jìn)行標(biāo)注，借此解決批量標(biāo)注圖像的難題，有利于提高海量圖像管理與檢索的效率。

2.2.2AP聚類(lèi)

Affinity Propagation聚類(lèi)算法又叫近鄰傳播算法，簡(jiǎn)稱(chēng)AP[9]，其基本思想是將全部樣本看作網(wǎng)絡(luò)的節(jié)點(diǎn)，通過(guò)數(shù)據(jù)元素之間的消息傳遞，實(shí)現(xiàn)數(shù)據(jù)集合中元素的自適應(yīng)聚類(lèi)[10]。AP聚類(lèi)的輸入為節(jié)點(diǎn)間的相似度矩陣S，其中s(i,j)表示節(jié)點(diǎn)i與節(jié)點(diǎn)j之間的相似度值，表明了j作為i的聚類(lèi)中心的能力。聚類(lèi)過(guò)程中，共有兩種消息在各節(jié)點(diǎn)間傳遞，分別是吸引度(responsibility)和歸屬度(availability)。AP算法通過(guò)迭代過(guò)程不斷更新每一個(gè)節(jié)點(diǎn)的吸引度和歸屬度值，直到產(chǎn)生m個(gè)高質(zhì)量的Exemplar(類(lèi)似于質(zhì)心)，同時(shí)將其余的數(shù)據(jù)點(diǎn)分配到相應(yīng)的聚類(lèi)中。吸引度信息用r(i,k)表示，即數(shù)據(jù)點(diǎn)k適合作為數(shù)據(jù)點(diǎn)i的聚類(lèi)中心的程度，r(i,k)值越大，則表示數(shù)據(jù)點(diǎn)k成為聚類(lèi)中心的能力越強(qiáng)；歸屬度信息用a(i,k)表示，即數(shù)據(jù)點(diǎn)i選擇數(shù)據(jù)點(diǎn)k作為聚類(lèi)中心的合適程度。兩種信息的迭代公式如下：

r(i,k)←s(i,k)-maxk′≠k{a(i,k′)+s(i,k′)}

(4)

(5)

(6)

其中，a(i,k′)表示除k外其他點(diǎn)對(duì)i點(diǎn)的歸屬度值，初始為0；r(i′,k)表示節(jié)點(diǎn)k作為除i外其他節(jié)點(diǎn)的聚類(lèi)中心的吸引度值。在相似度矩陣中，索引相同的點(diǎn)(如s(i,i))的值稱(chēng)為參考度或偏好參數(shù)(preference)，此參數(shù)會(huì)影響到最后聚類(lèi)的數(shù)量，參考度越大說(shuō)明某個(gè)數(shù)據(jù)點(diǎn)成為聚類(lèi)中心的能力越強(qiáng)，則最終聚類(lèi)中心的個(gè)數(shù)越多。迭代開(kāi)始前假設(shè)所有點(diǎn)成為聚類(lèi)中心的能力相同，因此參考度一般設(shè)為相似度矩陣中所有值的最小值或者中位數(shù)。

2.3 關(guān)鍵詞抽取

關(guān)鍵詞抽取就是從文本中把與這篇文檔意義最相關(guān)的一些詞抽取出來(lái)。從算法的角度來(lái)看，關(guān)鍵詞抽取算法主要有兩類(lèi)：(1)有監(jiān)督學(xué)習(xí)算法，將關(guān)鍵詞抽取過(guò)程視為二分類(lèi)問(wèn)題，先抽取出候選詞，對(duì)每個(gè)候選詞劃定標(biāo)簽，訓(xùn)練關(guān)鍵詞抽取分類(lèi)器；(2)無(wú)監(jiān)督學(xué)習(xí)算法，先抽取出候選詞，然后對(duì)各個(gè)候選詞進(jìn)行打分，輸出topK個(gè)分值最高的候選詞作為關(guān)鍵詞。根據(jù)打分的策略不同，有不同的算法，例如TF-IDF、TextRank等算法。

基于TF-IDF的抽取算法對(duì)文檔集中的每個(gè)文檔提取分值最高的5個(gè)關(guān)鍵詞，其抽取步驟如下：

(1)預(yù)處理，對(duì)文本進(jìn)行分詞和詞性標(biāo)注，將滿(mǎn)足指定詞性的詞作為候選詞；

(2)分別計(jì)算每個(gè)詞的TF-IDF值；

(3)根據(jù)每個(gè)詞的TF-IDF值降序排列，并輸出5個(gè)詞匯作為可能的關(guān)鍵詞。

2.4 相似度度量

文本聚類(lèi)后得到不同的簇，每個(gè)簇中包含不同數(shù)量的具有相似性的文檔，而且經(jīng)過(guò)Word2vec詞向量化及關(guān)鍵詞抽取后，每個(gè)文檔已經(jīng)提取出了5個(gè)最具代表性的關(guān)鍵詞，且這些關(guān)鍵詞都在語(yǔ)料庫(kù)中并被表示為向量形式。為了批量標(biāo)注圖像，需要把位于同一個(gè)簇中的樣本的共性提取出來(lái)，因此需要對(duì)詞語(yǔ)進(jìn)行相似度度量，選取相似度較大的幾個(gè)詞語(yǔ)作為該簇中的所有圖像的標(biāo)注。為此，選取網(wǎng)頁(yè)中經(jīng)常檢索的詞語(yǔ)構(gòu)建一個(gè)候選詞詞典，并將該詞典加入到語(yǔ)料庫(kù)，訓(xùn)練模型，得到詞語(yǔ)的向量表示，每個(gè)簇中的圖像的最終標(biāo)注就是從該候選詞詞典中選出的與抽取的關(guān)鍵詞相似度較大的幾個(gè)詞語(yǔ)。

2.4.1候選詞與文檔關(guān)鍵詞的相似度度量

相似度度量通常采用的方法是計(jì)算樣本間的距離，余弦相似度是用向量空間中兩個(gè)向量夾角的余弦值來(lái)衡量?jī)蓚€(gè)樣本個(gè)體間差異的大小。假設(shè)有兩個(gè)n維向量a和b，其余弦相似度為：

(7)

式中，a·b表示兩個(gè)向量的點(diǎn)積，夾角余弦取值范圍為[-1,1]，取值越大表示兩向量的夾角越小，兩向量越相似。

假設(shè)第i個(gè)簇中第j個(gè)文檔經(jīng)過(guò)關(guān)鍵詞抽取后得到5個(gè)關(guān)鍵詞kij1,kij2,…,kij5，候選詞詞典中有M個(gè)候選詞h1,h2,…,hM。候選詞語(yǔ)與抽取的關(guān)鍵詞之間的相似度為：

(8)

其中，hm表示第m個(gè)候選詞語(yǔ)的特征向量，kijp表示第i個(gè)簇中第j個(gè)文檔抽取的第p個(gè)關(guān)鍵詞的特征向量。

2.4.2候選詞與文檔的相似度度量

在得到候選詞語(yǔ)與各文檔抽取的關(guān)鍵詞之間的余弦相似度后，由于每篇文檔抽取的關(guān)鍵詞有差異，不能作為整個(gè)聚類(lèi)圖像的標(biāo)注結(jié)果，因此要提取聚類(lèi)簇中文檔關(guān)鍵詞的共性，得到候選詞語(yǔ)與每個(gè)文檔之間的余弦相似度。通常一個(gè)候選詞與文檔中的某個(gè)關(guān)鍵詞的相似度較大，就認(rèn)為該候選詞與該文檔的相似度就大。因此選擇候選詞語(yǔ)與每個(gè)文檔抽取的5個(gè)關(guān)鍵詞中相似度最大的一個(gè)作為候選詞語(yǔ)與該文檔之間的相似度。

假設(shè)文本聚類(lèi)后有K個(gè)簇c1,c2,…,cK，每個(gè)簇中有N個(gè)文檔di1,di2,…,diN，則候選詞與文檔之間的余弦相似度為：

s(hm,dij)?maxp=1,2,…,5{g(hm,kijp)}

i=1,2,…,K;m=1,2,…,M

(9)

其中，dij表示第i個(gè)簇中第j個(gè)文檔，s(hm,dij)表示第m個(gè)候選詞語(yǔ)與第i個(gè)簇中第j個(gè)文檔的相似度。

2.4.3候選詞與聚類(lèi)簇的相似度度量

通過(guò)式(9)計(jì)算得到候選詞與每個(gè)文檔的相似度s(hm,dij)后，要想對(duì)每個(gè)簇進(jìn)行批量標(biāo)注，還需知道候選詞與每個(gè)簇之間的相似度大小。由于關(guān)鍵詞抽取、聚類(lèi)等屬于無(wú)監(jiān)督學(xué)習(xí)，聚類(lèi)后每個(gè)簇中的樣本準(zhǔn)確性不能保證，因此不能簡(jiǎn)單采取像2.4.2節(jié)中的方法直接將候選詞與某簇中文檔相似度最大的一個(gè)作為候選詞與聚類(lèi)簇的相似度。為了消除各種噪聲影響，本文用候選詞-文檔相似度的均值來(lái)定義候選詞與聚類(lèi)簇的相似度。為避免聚類(lèi)中得到的差異較大的文本帶來(lái)的不良影響，需對(duì)N個(gè)候選詞-文檔相似度s(hm,dij)由大到小進(jìn)行排序,排序結(jié)果用(si1,si2,…,siN)表示，選取topQ(Q≤N)個(gè)相似度求均值來(lái)計(jì)算候選詞與第i個(gè)簇的相似度：

(10)

式中，sil表示第i個(gè)簇排序結(jié)果中第l個(gè)相似度值。

2.5 最終標(biāo)注詞輸出

通過(guò)式(10)計(jì)算出每個(gè)候選詞到每個(gè)簇的相似度值f(hm,ci)，m=1,2,…,M;i=1,2,…,K，將每個(gè)簇中的相似度值由大到小順序排列，選取值最大的3個(gè)對(duì)應(yīng)的候選詞作為該簇的標(biāo)注結(jié)果。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)條件

為了驗(yàn)證本文方法的有效性，首先需要訓(xùn)練模型得到文檔及詞語(yǔ)的向量，為此下載了中文維基百科語(yǔ)料庫(kù)。本文在PyCharm EDU環(huán)境下調(diào)用gensim庫(kù)中的wikicorpus函數(shù)去除語(yǔ)料庫(kù)中無(wú)用的標(biāo)記符號(hào)，將壓縮文件轉(zhuǎn)換為txt文本，并安裝開(kāi)源項(xiàng)目OpenCC，去除繁體數(shù)據(jù)，完成繁簡(jiǎn)轉(zhuǎn)化。

同時(shí)，在PyCharm EDU環(huán)境下編寫(xiě)Python程序爬取百度百科網(wǎng)頁(yè)，獲得了480幅圖像及對(duì)應(yīng)的伴隨文本(一幅圖像對(duì)應(yīng)一個(gè)伴隨文本文檔)，這些圖像大致分為7類(lèi)：狗(70)、植物(70)、飛機(jī)(70)、橋(70)、鳥(niǎo)類(lèi)(70)、建筑(70)、山水(60)。隨后將480個(gè)伴隨文本文檔添加入維基百科語(yǔ)料庫(kù)，對(duì)添加后的文本使用jieba分詞工具進(jìn)行分詞，分詞過(guò)程中將自己構(gòu)建的停用詞表導(dǎo)入該程序以去除停用詞，并調(diào)用gensim庫(kù)中的Word2vec模型進(jìn)行模型訓(xùn)練，得到包含大量詞語(yǔ)的詞匯庫(kù)及所對(duì)應(yīng)的向量。

本文還選取了115個(gè)網(wǎng)頁(yè)檢索中常用的詞語(yǔ)構(gòu)建了一個(gè)候選詞詞典，圖像的最終標(biāo)注結(jié)果將從這個(gè)候選詞詞典中得到。

3.2 評(píng)價(jià)標(biāo)準(zhǔn)

在本文中，所使用的數(shù)據(jù)集都是從網(wǎng)絡(luò)上得到的真實(shí)數(shù)據(jù)，沒(méi)有標(biāo)準(zhǔn)的標(biāo)注結(jié)果，在驗(yàn)證實(shí)驗(yàn)結(jié)果前，首先對(duì)提取的480幅真實(shí)圖像從候選詞詞典中選取某些詞語(yǔ)進(jìn)行了人工標(biāo)注，每幅圖像標(biāo)注了1～6個(gè)語(yǔ)義標(biāo)簽。

對(duì)于聚類(lèi)結(jié)果，采用純度[11]進(jìn)行了簡(jiǎn)單的評(píng)價(jià)，定義第i簇的純度為：

(11)

其中，mi是第i簇中樣本的個(gè)數(shù)，mij是第i簇中第j類(lèi)的樣本個(gè)數(shù)。

聚類(lèi)的總純度為：

(12)

其中，K表示聚類(lèi)簇的個(gè)數(shù)，m是樣本的總數(shù)。

本文使用準(zhǔn)確率P(Precision)、召回率R(Recall)和F1值對(duì)每幅圖像的標(biāo)注結(jié)果進(jìn)行評(píng)測(cè)[12]，準(zhǔn)確率、召回率、F1值定義如下：

(13)

(14)

(15)

圖3 標(biāo)注結(jié)果示例

其中，precision(Ii)表示第i幅圖像標(biāo)注的準(zhǔn)確率，度量了圖像標(biāo)注的精度；recall(Ii)表示第i幅圖像標(biāo)注的召回率，度量了圖像標(biāo)注的完整性；F1(Ii)是準(zhǔn)確率與召回率的加權(quán)平均值，度量了圖像標(biāo)注的綜合性能，其值越接近1，表示性能越好。Numc(Ii)表示第i幅待標(biāo)注圖像返回的正確標(biāo)注詞語(yǔ)的個(gè)數(shù)，Numr(Ii)表示第i幅待標(biāo)注圖像返回的標(biāo)注詞語(yǔ)的個(gè)數(shù)，Numm(Ii)表示第i幅待標(biāo)注圖像人工標(biāo)注詞語(yǔ)的個(gè)數(shù)。

本文對(duì)圖像集里的每幅圖像進(jìn)行標(biāo)注，最后將所有圖像的準(zhǔn)確率、召回率、F1值分別取平均作為最終評(píng)價(jià)指標(biāo)[13]，即定義宏準(zhǔn)確率(macro-precision)、宏召回率(macro-recall)、宏F1值(macro-F1)，如下：

macro-precision=

(16)

macro-recall=

(17)

(18)

式中Image表示待標(biāo)注圖像集合，|Image|表示待標(biāo)注圖像集合中圖像的數(shù)量。

為了更加直觀地評(píng)價(jià)和展現(xiàn)標(biāo)注結(jié)果，本文定義了一種簡(jiǎn)化的評(píng)價(jià)準(zhǔn)則，即自動(dòng)標(biāo)注的詞語(yǔ)中只要有一個(gè)與人工標(biāo)注結(jié)果相同或相近，則認(rèn)為圖像被正確標(biāo)注，得到圖像標(biāo)注的精度為：

(19)

其中，|correct|表示正確標(biāo)注的圖像的數(shù)目。

3.3 實(shí)驗(yàn)結(jié)果

本文對(duì)480幅圖像利用其伴隨文本信息進(jìn)行了標(biāo)注，在文本聚類(lèi)中產(chǎn)生了7個(gè)簇，每個(gè)簇中包含數(shù)量不等的文檔數(shù)，且在候選詞與聚類(lèi)簇相似度度量中設(shè)置Q=0.8×N，表1給出了此次標(biāo)注的結(jié)果。

圖3給出了利用本文所提方法得到的某個(gè)簇中部分圖像標(biāo)注結(jié)果的實(shí)例。

表1 圖像標(biāo)注的性能

從上述結(jié)果可以看出，大部分圖像可以借助其文本信息實(shí)現(xiàn)標(biāo)注，采用本文定義的簡(jiǎn)化準(zhǔn)則，標(biāo)注精度可達(dá)到88%，而且批量標(biāo)注提高了標(biāo)注的效率。

僅采用伴隨文本信息進(jìn)行圖像標(biāo)注難以達(dá)到更精確的結(jié)果，究其原因有如下幾點(diǎn)：(1)圖像伴隨文本信息并不能完全表達(dá)圖像的含義，如有些圖像中“燈光”等信息沒(méi)有在文本中體現(xiàn)，這說(shuō)明圖像視覺(jué)特征的重要性；(2)因?yàn)槭菬o(wú)監(jiān)督學(xué)習(xí)，文檔關(guān)鍵詞提取和聚類(lèi)都難以保證準(zhǔn)確性，如圖3中的第6幅圖像，因?yàn)闆](méi)有正確聚類(lèi)，導(dǎo)致標(biāo)注不夠準(zhǔn)確。但總體來(lái)說(shuō)，此次實(shí)驗(yàn)達(dá)到了預(yù)想的目標(biāo)。

4 結(jié)論

本文僅利用圖像的伴隨文本信息作為特征，結(jié)合文本聚類(lèi)及關(guān)鍵詞抽取等技術(shù)，提出了基于伴隨文本信息的Web圖像批量標(biāo)注框架，并且利用Python爬取百度百科網(wǎng)頁(yè)自建圖像數(shù)據(jù)庫(kù)，實(shí)現(xiàn)了對(duì)圖像的批量標(biāo)注。

本文工作充分證明了伴隨文本信息對(duì)于圖像標(biāo)注的重要性。下一步將研究圖像的視覺(jué)特征，將圖像特征與伴隨文本信息進(jìn)行結(jié)合，以實(shí)現(xiàn)對(duì)圖像的精確標(biāo)注。