多源异构数据采集与融合应用综合实践

这个项目属于哪个课程	https://edu.cnblogs.com/campus/fzu/2023DataCollectionandFusiontechnology
组名、项目简介	组名:泥头车
	项目需求：设计一个包含视频、文本、图片、音频的多源异构数据采集与融合的、能够判断相关性、客观性的应用网站
	项目目标：（1）对大众点评上的评论真实性进行分析（2）根据抖音等短视频平台上的短视频内容进行抽取和分类判别
	项目开展技术路线：python、华为云平台、前端：ES6、vue3、 element-plus、后端：python-flask框架、百度千帆大模型ERNIE-Bot服务、whisper、yolov8模型、基于预训练的vgg网络再训练
团队成员学号	102102136、102102137、102102138、102102139、102102109
这个项目的目标	采用技术手段和方法，对“水军”和虚假评论进行判别，对视频进行合理的分类以确保网络环境的公正、真实和安全。
其他参考文献	[1]吴娇,汪可馨,许锟.融合多模态的虚假新闻检测[J].哈尔滨商业大学学报(自然科学版),2023,39(01):47-52.DOI:10.19492/j.cnki.1672-0946.2023.01.011.https://kns.cnki.net/kcms2/article/abstract?v=GARc9QQj0GVrRulgkOiVKs9OD8ERvmQdGrXIV2ms209gRfu49Augq0X_2vnaL53NgHQ6KwEzzTwCIukhEcuJkgpr_m5eu9meF3LV8Ea-whxcFP_M4FPBC0nIemlyQWBNdhvtE6B2ZY0mEKOTVCeAgw==&uniplatform=NZKPT&language=CHS
	[2]李卓远,李军.基于对比学习的多模态注意力网络虚假信息检测方法[J].中国科技论文,2023,18(11):1192-1197.https://kns.cnki.net/kcms2/article/abstract?v=GARc9QQj0GWs7L0B_mSfAcFMA2momxuYqmRi065OIiQ3CpJhb6p-iuB7nQGlVXtc2dYDyU35K3EwKjx3yIcqKZ1dZdtu2GjIDpLhDAymvzldJGiK5igtNNSLeQUnJEwliDlswaIltIg=&uniplatform=NZKPT&language=CHS

实践内容：FZU判官网站制作

项目背景：

随着互联网的快速发展，网络评论和短视频成为人们表达意见、分享观点的重要渠道。然而，这些评论和短视频中有时存在大量的“水军”和虚假评论，给用户和平台带来了很多困扰。因此，对“水军”和虚假评论进行判别显得尤为重要。

“水军”是指在网络上故意发布虚假评论、制造舆论热点的一群人。我们通常是为了获取某种利益或达到某种目的而进行恶意行为。“水军”的存在不仅扰乱了网络秩序，还可能误导用户，导致不良后果。因此，对“水军”进行判别是维护网络健康的重要任务。

虚假评论是指那些故意发布不真实、不客观的评论，以达到某种目的的行为。这些评论往往与事实不符，甚至可能误导用户。虚假评论的存在不仅破坏了网络评论的公正性和真实性，还可能对用户造成经济损失或其他不良影响。因此，对虚假评论进行判别也是非常重要的。

随着短视频的兴起，短视频中的评论和互动也变得越来越重要。然而，与文本评论相比，短视频中的评论更加难以判别。因为短视频视频内容，很难通过文本分析来判断其真实性。因此，对短视频中的评论进行判别也是非常重要的。

因此，我们希望采用先进的技术手段和方法，对“水军”和虚假评论进行判别，以确保网络环境的公正、真实和安全。

功能阐述：

一、对大众点评上的评论真实性进行分析

数据获取：使用爬虫技术从大众点评上获取评论数据，包括评论的图片、文字、评分等信息。
数据清洗：对获取的数据进行清洗和处理，去除无关信息和噪声数据。
评论分析：使用自然语言处理（NLP）技术对评论的文字进行分析，提取关键词和情感倾向，判断评论的相关性和客观性。
综合评分计算：根据评论的相关性、客观性和其他因素，计算每条评论的综合评分。
结果展示：在网站上展示分析结果，包括评论的图片、文字、相关性、客观性和综合评分。

二、根据抖音等短视频平台上的短视频内容进行抽取和分类判别

数据获取：使用爬虫技术从抖音等短视频平台上获取视频数据。
视频处理：对获取的视频数据进行处理，包括视频转码、视频摘要生成等操作。
视频内容抽取：使用计算机视觉（CV）和自然语言处理（NLP）技术对视频内容进行抽取，提取视频的关键帧和音频信息，生成视频的文字描述。
视频分类：根据视频的文字描述和其他特征，使用机器学习算法对视频进行分类，判断视频属于哪一类。
结果展示：在网站上展示分类结果和视频的梗概。

个人分工

需求分析阶段

协助进行需求调研和分析，确定图片和视频的模型选用。
图片、视频处理：yolov8模型、基于预训练的vgg网络再训练
* 高精度检测：采用先进的目标检测算法，能够在视频中准确地检测出各种物体，并对其进行分类和定位；
* 快速处理：处理速度高效，可在短时间内对大量视频数据进行处理和分析；
* 特征提取能力强：基于预训练的vgg网络再训练可以利用vgg网络强大的特征提取能力，提高视频处理的准确性和效率；
* 迁移学习能力强：通过基于预训练的vgg网络进行再训练，可以利用已有的知识来优化模型在新任务上的性能，降低训练成本和时间。
同时参与制定需求规格说明书，从技术的角度对需求进行分析和评估，提出可能的解决方案和建议，负责将需求转化为具体的工作任务。

数据采集阶段

负责主导数据采集阶段的工作，针对所需的音频、文字、图片、视频的爬虫方面制定具体的爬虫设计方案，分配具体的设计任务和设计要求，做好数据预处理工作；

前后端构建阶段

负责主导网站前端的搭建工作以及相关的UI设计，与后端开发人员协作，设计并实现网站的前端界面和交互效果，确保用户体验的友好性和易用性确保前后端数据交互的正确性和稳定性。前端项目技术栈基于 ES6、vue3、pinia、vue-router 、vite 、axios 和 element-plus，简化了开发流程并且使代码规范化，同时element-plus 提供了丰富的组件，使开发更加方便。

数据建模阶段

负责主导图片、视频处理模型运用阶段的工作，根据项目的具体需求和目标，考虑模型的特性、适用场景以及项目的数据特点等因素选取适合的算法。
对于图像处理，我们使用Yolov8模型进行目标检测，并从图像中提取信息，对图像进行目标检测，将函数返回值作为类别标签数组，从而实现图片的信息提取。
对于视频处理，先视频进行抽帧处理和目标检测，再运用Yolov8模型，从视频中检测出目标物体后按照图像处理方法进行进一步处理。
基于预训练的vgg网络再训练，进行参数调整和优化通过反复试验和评估模型性能，以找到最佳的模型参数配置。