传统视频特征提取高度依赖领域知识，切鲁棒性差，泛化能力也不够。深度学习的方法通过多层非线性变换，从原始数据中学习层次化的特征表示，从而实现更准确、更鲁棒的特征提取。操作步骤如下： (1)对原始短视频做简单的预处理,使用FFmpeg工具快速将视频按照帧抓取图片; (2)依照准确率和时间的需求决定输入模型的图片的数目N,以相等的间隔均匀地从所有图像中抽取输入图像,组成一段有序的输入帧,并剪切成224像素×224像素的大小; (3)将步骤(2)中处理好的图片输入二维卷积神经网络,输出浅层特征表示图; (4)将步骤(3)的输出结果,输入伪三维卷积神经网络,进行时间信息和高维空间信息学习.

词袋模型只考虑是否出现，而不考虑词与词之间的顺序，导致文本中很多语义关联的丢失。 本项目用Dirichlet分布α中取样生成文档di的主题分布θi(主题分布θi由超参数为α的Dirichlet分布生成)，从主题的多项式分布θi中取样生成文档di的第j个词的主题z(i,j),并将其对应的词语分布∳(z,j)由参数为β的Dirichlet分布生成，依次作为一个词是否出现在前一个词的概率。 该项目简化了语料库或数据框与大语言模型（LLMs）的对接过程，通过确定最佳主题数，支持文本分类、摘要生成、评分以及分析等多种任务。

想比较传统的消歧方法（如：基于词典的消歧），本文通过上下文的频繁项挖掘进行判别。将环境信息作为可信证据，包括特征选择、参数优化和集成学习等相关技术。 项目思路：手动标记部分训练示例或一小部分确定的规则，用于训练监督方法的初始分类器。然后让分类器用于未标记的语料库，以获取一个更大的训练集。这个过程重复进行，每个新分类器都在一个逐渐变大的训练语料库上进行训练，直到整个语料库被标记，或者达到给定的最大迭代次数。 效果如作品图片所示：