如何管理和检索互联网庞大的图像资源是多媒体技术研究的重点,兴趣挖掘和图像标注是解决这一问题的关键途径。早期的图像标注技术受限于数据集的规模,标注性能不高。现有的图像标注技术摆脱了数据集规模的约束,直接在互联网环境中查找具有相似图像特征的已标注图像,然后根据这些图像的语义关键词完成对未知图像的语义标注。然而互联网下的数据集标注质量良莠不齐,并且这些标注面向全体互联网用户,不具有个性化的特点,所以标注结果与人类心理预期有诸多差异。个性化的图像标注需要解决几个关键问题:首先是如何描述用户兴趣演化的问题;然后是如何个性化识别图像标注区域的问题;最后是如何基于图像与标签的关系,跨越语义鸿沟,实现图像高级语义标注的问题。针对上述关键科学问题,论文的主要研究内容和创新点如下:(1)针对描述用户兴趣演化的问题,提出了一种基于可变兴趣模型(Deformable Interests Model,DIM)的用户兴趣挖掘方法。该方法通过兴趣追踪模型(Interests Tracking Model,ITM)将标注词映射到频繁模式空间,考虑时间因素,挖掘用户长期兴趣;通过可变兴趣模型(Deformable Interests Model,DIM)融合用户长期兴趣和情景兴趣,全面和精确地挖掘用户兴趣。在此基础上,该方法使用影响力实时更新机制,自适应更新长期兴趣、短期兴趣和热点话题对用户兴趣的影响力。实验结果表明,该方法能实时、全面、准确地挖掘用户兴趣。(2)针对个性化识别标注区域并生成对应高级语义的问题,提出了一种基于跨模态局部近邻分析模型的高级语义生成算法(Local-HSNN)。该算法首先确定生成高级语义的对象,随后计算跨模态特征相似度,最后利用强排名模型生成符合观察任务的图像区域及语义关键词。实验结果表明,该方法能准确地实现个性化识别标注区域并生成对应语义关键词。(3)设计与实现基于注意力模型的图像高级语义标注系统,跨越“语义鸿沟”,实现图像高级语义标注。图像高级语义标注系统采用B/S架构实现,具备完整的个性化地自动标注图像高级语义功能、丰富的可视化功能和完善的用户管理功能,具有较高的安全性和较快的响应速度。