基于概率因子模型的社会图像标签细化(4)
之间的关系，也常常是多标签和文本学习算法的初步假设[30,31]。
1.3 本文的研究内容
本文中，作者将一种概率因子模型（PFM）方法用于社会图像标签的细化，并进一步将
这种概率因子模型拓展为涵盖了图像内容一致性和标签相关性的约束概率因子模型
（CPFM） ，深入研究探讨了基于概率因子模型的社会图像标签细化方法。该方法利用图像-
标签矩阵的分解与重构，再加入内容一致性和标签相关性的约束项，实现对社会图像标签的
细化。
实验证实了本文的约束概率因子模型（CPFM）算法对细化社会图像的标签有着十分良
好的效果。同时，作者也通过实验将约束概率因子模型（CPFM）的方法与传统的概率矩阵
分解（PMF）方法进行了比较，实验结果表明本文中的约束概率因子模型（CPFM）方法明
显优于传统的概率矩阵分解（PMF）方法。
1.4 本文的组织结构
本文后续内容结构如下。
第 2 章介绍了与本文算法有关的基础知识。
第 3 章具体介绍了概率因子模型（PFM）算法，对内容一致性和标签相关性要素进行了
详细介绍，并给出了约束概率因子模型（CPFM）框架。
第 4 章给出了部分实验分析。
最后是结论和致谢。
上一篇：基于自由能的遥感图像质量评价