作为大数据的重要组成部分，大数据视觉资源在很大程度上依赖于价值创造机制和转换规律。文首先分析了视觉数字搜索引擎的领域依赖性，并使用模块化设计思想分析其业务流程，并在此基础上提出了面向领域的自适应动态数字。化。书馆的移动视觉搜索引擎。后，分析了发动机的功能模块，讨论了发动机的适应性和演变特性。键词：移动视觉搜索;数字图书馆;搜索引擎;磁场定向中图分类号：G254.9文献标识码：A DOI：10.11968 /tsyqb.1003-6938.2016092Résumé为大数据，大数据可视化资源的严重依赖conversion.Cet条的法律机制的重要组成部分数字图书馆，使用业务流程的模块化设计的移动可视化搜索引擎的依赖性分析，突出适应进化数字模块可以是可视化搜索引擎的磁场定向和mobile.Enfin，模块分析了发动机功能，讨论了发动机的自适应特性和发动机特性。键词移动视觉搜索，数字图书馆;搜索引擎;面向领域引言随着Internet和信息检索技术的快速发展，不同类型的视觉资源和相关信息，如评论，描述和用户行为，如文本，图像和视频信息）的更紧密集成，描述了一种新形式的视觉资源之间的语义，主题和事件，并逐渐成为各种数字图书馆和各种发动机，系统和平台的一个重要的信息支撑信息搜索。注于对象。据2012年的一份报告由IDC，据估计，2020年全球数据总量将超过40十亿GB（约4000十亿GB），75％来自互联网环境和类型数据主要是文本，图像，音频和视频。对这样的视觉资源，如何有效地组织，描述，表达和处理它，使用户能够轻松找到最有价值的信息，自然成为研究领域的前沿问题。息，数字图书馆和其他迫切需要的领域。觉资源的价值发现需求以及语义搜索和移动互联网技术的跨境整合，有效地促进了移动视觉搜索理论，模型和技术的发展。动智能终端，移动互联网和移动应用等硬件和软件条件的快速发展也为从PC到移动终端的视觉搜索提供了软件和硬件支持[1]。时，各种相关技术趋于发展，也为数字图书馆的移动视觉搜索提供全面的技术支持。先，TIRF，GDR和BIBFRAME可以为语义本体的概念模型，大数据资源，而另一方面，开放的数据链路（LOD），链接的数据，资源描述框架的建设提供支持（资源描述框架），RDF）等可以支持大数据视觉资源的组织，描述和表达;第三，OpenCV，RAVL，ARToolKitPlus和CImg等开源计算机视觉库可以支持视觉资源的分析和处理;第四，Web 3.0，移动互联网，语义搜索和JAVA可以为构建移动视觉搜索平台提供支持;第五，现有的谷歌知识地图，百度地图，爱奇艺脑和淘宝宝丽都可以提供实证支持。文的目的是结合现有的理论，技术和应用结果，并为大数据可视资源提供可扩展和可扩展的数字图书馆的移动可视化搜索引擎。地面上，在数字图书馆搜索移动的视野九月的数字图书馆视觉移动搜索依赖分析的业务分析的依赖，国务院下发了一份题为“计划，促进大发展数据“，旨在改善”域数据资源“的获取。使用的能力，实现“域信息资源和相关应用程序的聚合和集成”，“促进跨域，跨行业数据集成和协作创新”[3] ]。月2016年，国家研究基金的最大的研究项目“的研究集中在大数据和管理数据驱动的”建议“的产生机制和大数据的价值转换规律高度依赖于应用领域“[4]。2015年7月，国家社会科学规划办公室在主要审判项目中纳入了“大数据移动视觉搜索机制及其大数据应用模型研究”[5]。为大数据的重要组成部分，可视化大数据资源必须高度依赖于应用程序域。
动视觉搜索的概念是从斯坦福大学在2009年12月在过去的七年里组织理论移动视觉搜索的第一次研讨会和应用研究已经非常有限，但用L限制视觉处理技术和技术的影响，现有的相关研究也有一定的局限性，因为现有的研究仍然侧重于视觉资源处理技术[6-7]，模式讨论[8-9] ，施工[10]，架构分析[11]和标准化的问题[12]等的分析的机制，而自己的域的特征的分析忽略到库区域，移动视觉搜索引擎研究及视觉知识库构建分析。同形式的普及，非结构化信息资源或半结构化的大量数据和互联网环境中，所有类型的数字图书馆专业，结构域和可扩展性强的，并且在视觉上是庞大的。据资源的语义组织，描述和表达形式具有内在的好处，这使得可以更好地解决大数据可视资源的依赖于域的处理要求。外，数字图书馆的移动视觉搜索引擎必须处理各种可视化大数据资源。然大数据可视资源来自Internet和大数据环境，但可视资源之间存在较大的语义差异（参见图1）。中，视觉资源的潜在视觉特征主要集中在大空间，难以分析，处理，存储和计算。型矢量总是存在密度低等问题。音，这些治疗方法在很大程度上取决于它们的位置。军。觉资源的高层语义信息主要包括视觉场景的语义（商场，街道，建筑物等），受试者的视觉行为（唱歌，读书，散步等）的语义和语义视觉主体的情感（快乐，悲伤，平静）。等，这种高级语义信息的分析和处理更加困难，涉及的知识领域更多，领域依赖性更强。此，大多数现有研究都是基于特定应用领域的选择，结合其领域的专业特征，研究语义中级视觉资源建模，映射潜在的视觉特征。等水平的视觉资源和语义模型。基础维度的视觉特性被映射到中间电平的语义低维空间，从而减少了潜在的视觉特性和视觉资源平均水平的语义之间的语义差距。献[2]的数字工作流程移动视觉搜索的[1] [13]提供了一个明确的定义移动视觉搜索，即，该移动视觉搜索是获得的图像或作为移动搜索目标的真实视频。过移动互联网获取相关信息的方法。还详细描述了业务流程，服务模型和相关的基本功能。者还对现有的可视化搜索产品使用现有的可视化搜索产品进行了研究commerce.Selon，部分产品的业务流程描述过于技术化，模块化，要么想法显然，基于域的模块化业务流程描述方法有助于反映数字图书馆移动可视化搜索引擎的可扩展性，适应性，可扩展性和开放性。前，从谷歌，百度地图，淘宝排涛等商业视觉搜索产品知识地图有自己的架构和相关业务流程的描述，具有很高的模块化和专业化的相应特征。
用程序和实践也具有很强的域依赖性。模块化和域化的角度来看，数字图书馆中移动视觉搜索的商业过程（见图2）。旦用户确定了视觉搜索条件，移动智能终端就用于输入视觉资源搜索公式或要检索的搜索项。通过移动互联网传输到服务器之后，移动视觉搜索引擎被激活，并且在执行搜索任务之后，搜索结果通过移动互联网传输。论用户的移动智能终端。用移动视觉搜索引擎，移动客户端可以从信息检索过渡到概念检索，知识检索和视觉语义检索，并帮助用户搜索视觉资源，主题，知识和概念，而不仅仅是关键字和字符串检索。
现真正的移动视觉搜索。动可视化搜索引擎的磁场定向数字图书馆可以使用本体，视觉资源的萃取物的概念或主题，并且经由相关联的知识多知识融合发射到移动用户。业务流程有三个层面的含义：移动视觉搜索引擎是一个多维视觉知识融合框架，具有相关视觉实体的特定模式。图论的角度来看，移动可视化搜索引擎实质上是概念的网络，其中，所述节点表示在信息检索系统中的实体，关系，接口模块和中间件，并构成它们之间的各种应用关系。络的一面。动视觉搜索引擎的研究兴趣在于它是基于当前移动互联网的基础知识服务框架，可以建立链接，关联和移动互联网环境中的视觉资源之间的因果关系，其最小化成本集成了视觉资源，内在价值和可以使用的知识之间的相关信息。动视觉搜索引擎的应用是具有修改现有信息检索模式的能力。先，由于相关的知识和推理知识，复苏的概念，知识和语义恢复视觉资源回收的视觉融合中产生，而一个组织的结构，有效的分类和融合以动员，模块化和域化的形式呈现给用户。觉相关知识。点数字图书馆搜索引擎的移动愿景可视化搜索引擎的数字图书馆的体系结构是通过指出谷歌搜索在2010年的前负责人，发表文章“2020年远景规划”中：“用户文本，图像，视频数据和互联网»互动信息和各种感官信息将为搜索引擎的未来发展带来巨大挑战[14]。字图书馆的移动搜索引擎可以在一定程度上提供对这些问题的一些参考。数字图书馆移动视觉搜索引擎架构图（见图3），数字图书馆移动视觉搜索引擎框架主要包括一层视觉资源，一个视觉知识库，一个审计视觉知识和计算机化计算，研究任务的执行和知识的存储。
索服务和应用程序由五个模块组成。个移动视觉搜索引擎的操作，管理和服务过程取决于网络环境（移动互联网，物联网环境等）。些模块主要实现在整个生命周期的移动视觉搜索：处理视觉资源的收购和合并的视觉知识，验证和计算，研究任务，知识存储，研究服务，并在处理过程的应用程序执行移动视觉搜索。动可视化搜索引擎模块分析数字图书馆的数字图书馆可视化搜索引擎的架构，包括建筑用的逻辑结构和模块结构和技术（体系结构）。Vision的大数据资源层可视化大数据层的创建是数字图书馆移动可视化搜索引擎的基础。大数据视觉资源层主要包括各种类型的视觉资源库（文本，图像，视频，旧书，涂片和其他视觉资源）的，其目的是要解决获取和数字化的问题数字和视觉图书馆的视觉资源。储模块。数字图书馆，一些专业的视觉资源，按主题或领域有很强的专业性，是独一无二的，甚至是独一无二的，易于分类和标签，但难以组织，分析和表达，并提取和与视觉资源实体相对应。语义搜索更加困难。
而，概念建模，相关的数据和最具视觉资源的组织分析的表示表现出一定的通用性，
宁波网站优化因为它们各自的范围也越来越广泛，软件和硬件技术都比较成熟和标准规范更加统一，以便获取和存储他们的视觉资源。度略小。大数据可视化资源层中，可视资源以知识单元，物理单元或关系单元为单位存储，存储技术主要采用现有的大数据和云计算技术。如，谷歌知识地图和百度地图无论是在大数据，大数据及其相应的资源丰富的视觉资源获取并存储在“实体 - 关系 - 实体”，“实体 - 属性 - 值”，“实体 - 主题相关的“。三重方法，如“实体 - 关系 - 知识”作为视觉搜索知识单元的基本表达，视觉资源实体单元和单位所有的视觉资源，并存储在视觉大数据资源层相关联的信息的视觉关联被有效地集成到关系，这是知识之间的视觉关系的一个庞大的网络，构成“知识网络”，以视觉研究。觉知识库在大数据资源层上构建视觉知识库，是数字图书馆移动视觉搜索引擎的核心。析，组织，细化和融合后的视觉知识存储在视觉知识库中。觉资源本体库通常用于管理各种视觉资源。
有视觉资源本体库，相关数据融合和视觉知识模块，相关的视觉搜索服务要求，语义逻辑，关联规则，概念建模和约束支持功能，用于标准化实体连接，本体，关系和移动可视化搜索服务实例。数字图书馆的移动可视化搜索引擎的视觉知识库的位置等同于在工业生产过程中的“模具”：大的数据的不同的视觉输入被认为是“工业原料”经过“霉菌”处理和处理后。成了更加标准化的视觉知识库。立科学，合理，规范的视觉知识库，可以显着提高数字图书馆的服务效率和移动视觉搜索系统的性能。业务逻辑的角度来看，视觉知识库可以被认为包括两个主要部分：视觉知识的获取和视觉知识的融合。觉知识获取的主要目的是从大数据视觉资源层开发和提取相关视觉资源的本体，概念，关系和实例。
觉知识融合的主要目标是实现视觉知识的多源融合。觉知识库的内容包括三个部分：（1）视觉本体的文库以获取本体和（2）一种基本的视觉知识基础的各种视觉资源用于存储各种知识和一般意义上常见。可以直接从Visual Ontology Library或Big Data Visual Resource Layer（3）获取它。个可视知识库，用于存储每个特定域的知识（从左到右，从域1到域n）（参见图4）。上所述，视觉资源和具有不同特性的每个区域的视觉知识，视觉知识的基本字段然后被分成三个部分：基本横视觉知识，基本视觉知识库与域名相关的视觉知识。中，基本视觉知识库由从基本视觉知识库中提取的基本视觉知识组成，进行分析和进一步处理，并与特定区域相关。于域的视觉知识库是用于描述一个或多个特定域的基本知识。关最新的领域知识，最全面，在一个特定领域最可靠的，与域相关的基本视觉技能必须检索在开放的互联网环境和资源层最新的相关行业知识视觉大数据。视觉知识基础结构图，空心和实心节点节点表示从因特网环境和的分别大的数据资源，所述层提取的视觉知识，并且节点之间的边表示的关系视觉知识之间。着数据规模和数字图书馆类型的不断扩展以及数据内容的不断更新，视觉知识库还可以实现自我进化和自适应增长。些视觉知识库的构建提供了用于验证视觉知识和移动视觉搜索引擎的知识计算的界面服务。外，您还可以充分利用现有的知识基础（如谷歌的知识阿特拉斯，DBpedia的，YAGO，WikiTaxonomy等）来实现同样的知识融合。觉知识验证和知识计算一旦视觉知识库构建过程完成，您将获得有关域特征的明确视觉知识。了明确的视觉知识通过移动可视化搜索引擎的知识计算功能，包括视觉知识，视觉属性的计算，视觉关系和视觉实例计算的计算中，隐式对应视觉知识的计算然后计算或推断。过构建视觉知识库，可以从各种非结构化，半结构化或复杂的大数据数据资源中获得大量有价值的视觉知识。而，视觉获得的知识，也可以是大量的内容冗余视觉知识，不正确或不完全的，并且可能存在视觉知识和逻辑和层次结构之间的平坦关系不强。此，有必要对它们进行测试，清洁它们并通过某种方式对它们进行整合。验证完整性，可靠性和视觉知识从基本的视觉技能获得的相关性，可用性和中间件和视觉搜索服务接口的有效性，有必要检查视觉知识和相关的服务接口。识验证过程。证的主要方法是检查，验证或过滤错误的相应视觉知识，冗余的，矛盾的或不完整的通过各种视觉知识，领域知识和专业知识的方法在计算基本视觉技能。动视觉搜索任务的执行和知识的视觉知识验证模块和知识的计算，在移动视觉搜索的用户需求信息的可视化知识的存储可以得到满足。证和处理在数字图书馆的移动可视化搜索引擎之后，它们被存储在一个大规模图形数据库（GDB）或在一个大的关系型数据库，该第一被用作基大规模的非结构化和半结构化数据。据存储系统，可以支持超过数百亿数据存储的视觉知识，存储明确视觉的知识多，复杂的结构化数据和大规模后者服务的关系型数据存储系统，这是一种隐含的视觉知识。比较而言，在第一主要采用图论的通过设置存储节点的图形数据模型和关系的边缘时，相应的存储节点，并具有标识符的连接侧视觉知识存储唯一描述，每个标识符对应更多。觉属性。此，基于该存储模式形成的视觉知识存储网络具有强大的自适应和可扩展特性。有相关链接将支持视觉搜索任务mobile.Lexécution的整个实施过程中移动视觉搜索任务将遵循进程“收购需求调研→→建模研究解决任务搜索任务“在执行任务期间满足用户的移动视觉搜索。据视觉和语义相关的正规知识，搜索任务的语义理解和任务要求进行建模，获得推理的视觉知识语义层面的知识的方法和计算实现数字图书馆的移动视觉搜索引擎的视觉知识。务资源和服务能力的最佳匹配为移动用户提供了各种移动视觉搜索服务。动视觉搜索应用和服务于传统的研究，理论研究和应用研究由大学产生的结果往往必须积累并逐步进入工业应用中的实际应用之前，长开发。而，移动视觉研究作为具有强大工业经验的理论模型，已在学术领域和工业领域迅速发展。此同时，随着移动视觉搜索涉及视觉资源大数据的采集和处理，并广泛的在商业领域的应用，该行业拥有超过学术界的优势。如，谷歌，Facebook，微软，百度，淘宝和爱奇艺开始相关研究，2010年以来，并已建立了一个研究所专门从事移动视觉搜索，并逐步推出了众多的相关服务。动视觉搜索系统推出后，为信息检索领域带来了新的活力，逐渐显示出巨大的发展潜力。了移动视觉搜索的基本应用，也有多元化的扩展服务和应用，如移动视觉知识卡，移动可视购物，视觉语义手机搜索，可视问卷知识，移动视觉资源的个性化推荐和视觉关联知识的融合。动可视化搜索引擎的数字图书馆的分析的主要特性相关的数字库上本领域的一些特性，如可扩展性，开放性，适应性和可扩展性的移动可视化搜索引擎。放性和可扩展性易于理解，但引擎如何？ Pour refléter l’adaptabilité et l’évolution， une compréhension et une analyse plus poussées sont nécessaires. Analyse de caractéristiques adaptatives Ladaptabilité du moteur de recherche visuelle mobile de bibliothèques numériques se reflète principalement dans lacquisition et lanalyse adaptatives des connaissances visuelles， la mise à jour adaptative et la fusion de la base de connaissances visuelles. Parmi eux， lacquisition et lanalyse adaptatives des connaissances visuelles ont pour objectif principal dobtenir les connaissances visuelles correspondantes à tout moment et en tout lieu， de les analyser et de les traiter automatiquement. La stratégie dacquisition correspondante consiste à utiliser le middleware de filtre dassociation sémantique pour générer les règles de filtrage sémantique correspondantes， puis à extraire les connaissances visuelles correspondantes de la couche de ressources de données volumineuses visuelles [15]. Lintergiciel de filtrage est composé de règles de filtrage sémantique et de percepteurs de connaissances visuels basés sur les exigences du service de recherche visuelle mobile proposées par lutilisateur. Parmi elles， les règles de filtrage garantissent la cohérence， lintégrité et la pertinence des connaissances visuelles extraites de la couche de ressources visuelles big data; Stratégies dacquisition et danalyse de connaissances visuelles. Le but principal de la mise à jour adaptative et de la fusion de la base de connaissances visuelles est de faire évoluer de manière autonome les connaissances visuelles à tout moment et en tout lieu， et de décrire les règles dévolution， les règles et les processus de la connaissance visuelle. La mise à jour adaptative et la fusion de la base de connaissances visuelle est divisée en deux étapes: le renouvellement automatique et la fusion des connaissances de la base de connaissances visuelle. Dans le processus dauto-renouvellement， ses caractéristiques adaptatives sont incorporées dans les opérations de base de lévolution de la connaissance visuelle dans la base de connaissances visuelle auto-complétée et dans lachèvement automatique du raisonnement sémantique de connaissances pertinent [16]. Les fonctions adaptatives du moteur de recherche visuelle mobile de bibliothèque numérique peuvent efficacement faire face aux énormes défis posés par l’Internet mobile， l’informatique en nuage et l’environnement Big Data. Il permet au moteur de recherche visuel mobile d’acquérir des ressources visuelles， des informations et des connaissances en temps réel， et d’ajuster automatiquement les règles commerciales de base en fonction des besoins réels， assurant ainsi une mise à jour dynamique et en temps réel de la base de connaissances visuelles， permettant ainsi de mieux satisfaire la recherche visuelle mobile des utilisateurs. Besoins de service. Analyse des caractéristiques évolutives Les caractéristiques évolutives du moteur de recherche visuelle mobile de bibliothèques numériques se reflètent principalement dans deux aspects: Premièrement， de nouvelles ressources visuelles， informations et connaissances peuvent être obtenues en permanence à partir des environnements Internet mobile， Big Data et IoT， et peuvent être réalisées. Renouvellement de soi et intégration autonome [17]; Deuxièmement， les ressources visuelles， les informations et les connaissances obtenues à partir de différents environnements， plates-formes et systèmes de réseau peuvent être transformées en formulaires standard destinés à leur propre usage et intégrées dans leur propre base de connaissances visuelle. Dans le système de service de recherche visuelle mobile， de nouveaux contenus， systèmes et réseaux de connaissances visuelles sont formés [18]. Les caractéristiques évolutives du système de connaissances évolutif du moteur de recherche visuel mobile constituent un cycle de vie complet， comprenant lidentification et la perception de lévolution， la localisation évolutive， la gestion et le service de lévolution， lévaluation de lévolution et le retour. Du point de vue de la logique métier， les fonctionnalités évolutives du moteur de recherche visuel mobile peuvent être normalisées en deux types d’opérations différents， à savoir le fonctionnement des nœuds du réseau de connaissances visuel et les contours relationnels， qui représentent la vision extraite. La connaissance et la relation représentent la relation entre la connaissance visuelle [19-20]. Par exemple， dans le domaine， une fois quun système de recherche visuelle mobile par bibliothèque numérique dun sujet spécifique est établi， sa base de connaissances visuelles correspondante peut être considérée comme un réseau de connaissances visuelles évolutif et adaptatif. Dans le réseau de connaissances visuel， les types de nœuds peuvent être définis en tant quauteurs， théories， institutions， domaines， activités et mots-clés.La relation comprend la coopération universitaire entre auteurs， les citations entre organisations et les subordonnés entre institutions. Partenariats， relations transversales entre domaines et communication entre événements. En outre， chaque nœud contiendra les attributs correspondants de lauteur， tels que nom， numéro didentification， heure dobtention du diplôme， domaine professionnel， etc.， et le côté relationnel contiendra également des attributs correspondants， tels que le moment de la coopération de lauteur， le lieu de communication， etc. Lunité dopération du nœud peut être divisée en trois sous-opérations: lextraction， la fusion et le raisonnement du nœud， le fonctionnement du bord de relation peut également être divisé en trois sous-opérations， à savoir lextraction， la fusion et le raisonnement. Toutes ces opérations impliquent des opérations sur lontologie， les concepts， les relations et les instances de noeuds et les arêtes de relation， acquises et analysées de manière adaptative avec les connaissances visuelles susmentionnées， puis mises à jour de manière adaptative et intégrées à la base de connaissances visuelles. Il est également logique que les nœuds de connaissance visuels et les limites de relation puissent être évolués pour permettre lacquisition et lanalyse de connaissances visuelles adaptatives， la mise à jour adaptative et la fusion. Par conséquent， lintégration organique des deux systèmes peut donner au moteur visuel mobile de la bibliothèque numérique une forte capacité dévolution adaptative. Conclusion Avec le développement rapide de lInternet mobile， du cloud computing et de la technologie Big Data， la recherche visuelle mobile peut devenir lune des technologies de base dans le domaine de la recherche dinformations à lavenir. Lamélioration continue de lenvironnement Internet mobile， le développement rapide des conditions matérielles et logicielles des terminaux mobiles et lexpansion progressive du marché des applications mobiles ont également poussé de plus en plus de chercheurs et de fournisseurs Internet à rejoindre ce domaine de recherche. En tant que ressource big data visuelle de niveau inférieur， elle présente des caractéristiques telles que la série chronologique， lhétérogénéité multi-sources et le temps réel. Les types de données sont principalement des données visuelles non structurées et semi-structurées. Malgré cela， la riche connaissance visuelle qu’elle contient est d’une grande valeur. Si vous souhaitez approfondir et utiliser efficacement la valeur et la connaissance des ressources visuelles Big Data， vous devez créer une plate-forme et un système correspondants basés sur le moteur de recherche visuelle mobile.Cet article concerne la planification， la construction et la construction de la plate-forme， du système ou du système. Le service et le développement fournissent des références théoriques et un support technique. Sur la base des résultats de recherche théoriques et techniques existants， cet article propose un moteur de recherche visuel mobile pour bibliothèques numériques orienté domaine. Ses principales caractéristiques sont louverture et lextensibilité， ainsi que ladaptabilité et lévolutivité， qui permettent au moteur de mieux détecter et traiter les connaissances visuelles hétérogènes， multi-sources et évoluant de manière dynamique， ainsi que sur la vision mobile. Les besoins en services de recherche correspondent mieux aux ressources de service， et la connaissance visuelle potentielle et dynamique est raisonnée et intégrée afin de mieux servir les utilisateurs."
本文转载自
宁波网站优化www.leseo.net
补充词条：
宁波seo网站优化
宁波谷歌优化
宁波seo排名
宁波网站seo
宁波seo外包
