[发明专利]一种基于模块化的流形排序的图像推荐方法

权利要求书

1.一种基于模块化流形排序的图像推荐方法，其特征在于，包括以下步骤：

1)、基于图片内容信息的图片相似性计算，利用计算的相似性构图

将图片输入网络中提取图片特征；利用余弦相似性计算两张图片的相似性；利用计算的相似性构图；

2)、流形的模块化

第一，将每一张图片分别放在一个流形上，然后考虑每一个流形上的图片和它的邻居图片，合并到这个流形上计算模块度增量；模块度增量是将一个孤立的点放到一个模块上后，这个模块的变化；也就是就说将一张独立的图片放到一个流形上后，这个流形上的模块度会发生变化，这个变化的量即为模块度增量；找到这个独立的图片在不同的流形上的模块度增量的最大正值，将这张图片放到这个流形上，若没有正值则图片所属流形保持不变；重复上述过程直到每一张图片所属的流形不再变化；第二，把每一张图片当成一个节点，将新的流形上的所有节点压缩成一个新的节点，所有流形节点之间的权重转化为新节点的环的权重，流形之间的边权重转化成新节点之间的边权重；重复第一步，直到整个图的模块度不再发生变化；这就将所有的图片分布到了不同的流形上；将每一个流形上的图片分别进行流形排序；

3)、流形排序算法

流形排序的算法采用拉普拉斯图映射方法，基于图像间的拓扑流形分布，利用其几何结构中隐含的局部信息相关性，传播已知的用户与部分图像的相关度，获取所有图像对相关用户的相关度估计；

4)、根据相关度估计生成推荐列表

根据每一个流形上计算得到的用户图像之间的相关度，得到全部的用户和图像之间的相关度；根据每一张图片和用户之间的相关度排序，生成推荐列表。

2.根据权利要求1所述的方法，其特征在于，步骤3)、流形排序算法具体如下：

所有图片的集合X＝{x₁,x₂,…,x_n}，用户集合U＝{u₁,u₂,…,u_c},对应的拓扑关系图为W＝{w_ij}_n×n，图像的用户先验Y＝[y_ij]_n×c,其中y_i,j表示图像i与用户j的先验相关度，无先验则对应位置为0；

在分析构造拓扑流形W＝{w_ij}_n×n的基础上，利用先验Y＝[y_ij]_n×c，建立流形排序模型，估计信息相关度F＝[f_ij]_n×c,其中，f_ij表示通过流形传播的图像i与用户j的相关度，即用户j对图像i的感兴趣程度；根据流形平滑准则，依流形分布关系，建立流形学习模型如下：

其中，表示Frobenious范数，tr(*)是矩阵的迹，L是W＝{w_ij}_n×n的拉普拉斯矩阵，β是平衡参数；其解析解表示为

F^*＝((1-β)I+βL)^-1Y

这里，I为单位矩阵，F^*＝[f_ij]_n×c即为优化上式收敛所得的图像X＝{x₁,x₂,…,x_n}与用户U＝{u₁,u₂,…,u_c}中基于流形排序的相关度估计结果。

3.根据权利要求1所述的方法，其特征在于，步骤2)、流形的模块化具体如下：

首先将每一张图片分别放在一个流形上，然后考虑每一个流形上的图片和它的邻居图片，即相似性高的图片，合并到这个流形上计算模块度增量；模块度增量是将一个孤立的点放到一个模块上后，这个模块的变化；也就是就说将一张独立的图片放到一个流形上后，这个流形上的模块度会发生变化，这个变化的量即为模块度增量；模块度增量按下式进行计算；

其中k_i,in是一个流形上的图片中与图片x_i有连接关系的边的权重之和；k_i表示所有与图片x_i有连接关系的边的权重之和；∑_in表示一个流形上的图片的所有的边的权重之和；∑_tot表示一个流形上的图片与图片之间的边的权重之和，m表示所有的边的权重之和；

然后找到这个独立的图片在不同的流形上的模块度增量的最大正值，将这张图片放到这个流形上；即找到使得ΔQ最大的那张邻居图片，且满足maxΔQ0，则将这张图片分配到使得ΔQ最大的那张邻居图片所在的流形上；若没有取到正值，则该图片依然在其原来的流形上；重复上述过程直到每一张图片所属的流形不再变化；第二，把每一张图片当成一个节点，将新的流形上的所有节点压缩成一个新的节点，所有流形节点之间的权重转化为新节点的环的权重，流形之间的边权重转化成新节点之间的边权重；重复第一步，直到整个图的模块度不再发生变化；这就将所有的图片分布到了不同的流形上；分别对每一个流形上的图片进行流形排序。