[发明专利]一种基于学习算法采样网络识别感兴趣节点的方法

说明书

技术领域

本发明涉及图像检索领域，尤其是涉及了一种基于学习算法采样网络识别感兴趣节点的方法。

背景技术

识别感兴趣节点常用于智能视频监控、人物检索等领域，利用特定兴趣定位网络中“感兴趣的人”(POI)，具体地，例如在参加过特定规划会议或参与组织过特别袭击的人员中，将使用某种媒介进行通信的所有人被标记为POI，凭此锁定嫌疑人员。再者也可应用于在社交网络中找寻具有特定兴趣的一类人的情况。研究特定某种活动的参与范围是人物检索领域重要的研究方向之一，在此种情境中，人们可能不会公开甚至是提供真实准确的信息，如何识别出真实具有特定属性的人，显得尤为重要。

本发明提出了一种基于学习算法采样网络识别感兴趣节点的方法，目的是识别出尽可能多的感兴趣节点。首先利用基于网络结构特征来学习红色节点(表示POI的节点即“红色”节点，其他节点即为“蓝色”)之间的连接模式(如同质性与非同质性)，利用基于相邻应答的特征来学习一个节点对其邻居节点颜色的描述与其真实颜色之间的关系，然后基于对两种特征的观察成功地预测节点v为红色的概率P(v＝R)，在此概率最高的节点上放置下一个监视器，最终在POI表现出同质性的情况下(即可能关联其他POI)，选择带最多POI的节点即为感兴趣节点。本发明突破了取决于节点邻居节点所报信息的局限，通过提供一种基于学习的监视器放置策略，最大化所能观察到的红色节点的总数，使得定位POI更准确有效，推动了人物检索工作的研究和发展。

发明内容

针对现有方法多需要更有效的对比推动研究的问题，本发明的目的在于提供一种基于学习算法采样网络识别感兴趣节点的方法，基于观察到的网络结构和节点v的邻居节点关于v的描述，成功地预测节点v为红色的概率P(v＝R)，从而识别网络中的POI，使得定位POI更准确有效，推动了人物检索工作的研究和发展。

为解决上述问题，本发明提供一种基于学习算法采样网络识别感兴趣节点的方法，其主要内容包括：

(一)分类特征；

(二)度量可信度；

(三)预测概率；

(四)放置监视器；

(五)识别感兴趣节点。

其中，所述的分类特征，是在基于学习的监视器放置算法中所使用的一组特征，有两种类型：(a)基于网络结构的特征(b)基于相邻应答的特征。

进一步地，所述的监视器，为增强对网络的观察，在节点上放置监视器，监视器可以反馈三个信息：该节点的真实颜色、该节点的真实邻居节点、该节点的邻居节点的颜色；

假设给定b个监视器的预算，并且可以在已经观察到的所有节点上放置这些监视器，那么第一步，必须在最初观察到的节点上放置监视器，因为当前没有观察到其他节点，而在后续步骤中，可以将监视器放置在所有已被观察为先前所监视节点的邻居节点上。

进一步地，所述的基于网络结构的特征，被用于学习红色节点之间的连接模式(例如同质性与反同质性)，包括三种类型，分别是：

(1)红色邻居节点的数目：|{u∈N(v)|c_u＝R}|；

(2)蓝色邻居节点的数目：|{u∈N(v)|c_u＝B}|；

(3)v为红色时红色三角的数目：|{u，w∈N(v)|u∈N(w)∩w∈N(u)∩c_u＝c_w＝R}|。

进一步地，所述的基于相邻应答的特征，旨在学习一个节点对其邻居节点颜色的描述和其真实颜色之间的关系，包括五种类型，分别是：

(1)红色报红的数目：|{u∈N(v)|(usaysR)∩c_u＝R}|；

(2)红色报蓝的数目：|{u∈N(v)|(usaysB)∩c_u＝R}|；

(3)蓝色报红的数目：|{u∈N(v)|(usaysR)∩c_u＝B}|；

(4)蓝色报蓝的数目：|{u∈N(v)|(usaysB)∩c_u＝B}|；

(5)推断为红色的概率：P^I(v＝R)。

其中，所述的度量可信度，利用四种不同的概率来度量由不同颜色的节点所给出颜色的可信度(即被监视的节点对其邻居节点的颜色的报告是真或假)，使用在放置监视器之前收集到的信息计算这些概率，节点v由节点u上的监视器所发现，四种概率为：