第五章 結論與未來發展
程式碼 3- 2:OpenCV 圖片比對範例
圖 3-8 圖片差異比對(完全相同圖片)
for(int i=0;i<240;i++) for(int j=0;j<320;j++) {
} <price>30.00</price>
</book>
<book category="CHILDREN">
<title lang="en">Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
</bookstore>
圖 3-9 圖片差異比對(差異較大圖片)
5. 統計差異超過門檻值的像素個數：當差異超過門檻值的像素大於整個畫面的 一定比例時，即認為場景發生改變，就會把這個場景改變的時間點當作片段 的一個分段點，也就是一個片段的開始或結束，在本研究中所測試的結果來 說，兩個畫面大約在 60%~70%的像素差異超過門檻值，來當作場景的轉換 畫面是一個比較恰當的比例。
3.3 Association Rule Map
現今在網路上擁有大量的資料，使用者常常要在這些資料裡找出想要瀏 覽的項目，列出的項目清單卻往往不一定那麼完整，所以現在在很多的社群 網站上面，都有提供使用者替自己的項目加上主題標籤，以便讓自己及其他
個隻字片語，但想瀏覽的項目卻是不包含此關鍵字的關聯項目，因此本系統 便利用關聯規則統整所有影片的主題標籤，計算出最常擺在一起的標籤字詞，
只要搜尋到包含在這裡面的標籤關鍵字，就會連包含最常擺在一起的標籤字 詞的影片也一起列出來，以達成讓使用者瀏覽到更多相關影片的目的。
3.3.1
都柏林核心和主題標籤在先前的章節裡介紹過都柏林核心，其中一個項目是 Relation，它的定義 是和其他資源的索引關係，也就是這項資源和其他相關聯資源的橋樑。因此本系 統提供使用者上傳影片時，可以加入主題標籤，並儲存在都柏林核心的 Relation 項目裡。之後系統會將加入的標籤和已經存在 eXist 資料庫的所有影片的 Relation 擷取出來，並且以#字號作為分隔，彙整出一個標籤集合，傳送到 Association Rule Map 進行分析。
圖 3-10 系統使用到的都柏林核心項目
3.3.2 Association Rule Map 內部技術(Apriori 演算法)
前面的章節介紹過 Association Rule 有三種演算法，本系統使用的是 Apriori 演算法。在 Association Rule Map 收到彙整好的標籤集合以後，便會對集 合開始做 Apriori 的計算，系統計算流程如下：
1. 假設資料庫中現在有四組資料 D1,D2,D3,D4，設定最小支持度為 2(即標籤至 少需有兩個，以下稱為 MinTags)，篩選出有效資料之後，再對每個標籤計 算出現次數，如圖 3-11 所示。
圖 3-11 四組資料經過最小支持度之篩選
2. 針對每個標籤的出現次數再經由 MinTags 篩選出有效資料，並對自己做自我 結合，產生出新的候選項集，如圖 3-12 所示。
3. 根據原資料表計算候選項的出現次數，並再次以 MinTags 篩選出有效資料，
產生二維最大項目集，如圖 3-13 所示。
圖 3-13 計算候選項次數並以 MinTags 篩選
4. 產生的 2 維最大項目集進行自我結合，產生三維項目集，這時已經剩一組資 料，檢查是否符合 MinTags 數目，如果符合，這組資料即為 Frequent Items，
放入 Association Rule Map 中，如圖 3-14 所示。
圖 3-14 自我結合產生三維項目集並檢查 MinTags
由上述步驟可知，Apriori 演算法非常簡單易懂，且可以減少非相關項目組 的產生，只要重複三個步驟即可。其中提到的某個步驟叫自我結合(self-join)，他
的定義如下：
令 X1 和 X2 是兩個大型(k-1)-項目集，Xi[j]代表項目集 Xi 中的第 j 個項目。
假設項目集中的項目已依遞增的方式排序完成。
若 X1 和 X2 的前 k-2 個項目皆相同，且 X1[k-1]<X2[k-1]，則 X1 和 X2 將 被結合成一個候選 k-項目集，亦即{X1[1], X1[2], …, X1[k-1], X2[k-1]}。其中，
結合條件 X1[k-1]< X2[k-1]的目的是為了避免產生重複的候選 k-項目集。
例如：abcd, abce => abcde。
以實際的例子來看：
和上面的步驟一樣，重複篩選出有效資料並進行自我連結
圖 3-15 四組資料經過最小支持度之篩選
圖 3-16 經過最小支持度篩選並產生新的候選項集
圖 3-17 計算候選項次數並以 MinTags 篩選
圖 3-18 自我結合產生三維項目集並檢查 MinTags 在圖 中可看到籃球、奧運、選手即為一組有關聯性的關鍵字。
3.3.3 OWL 文件儲存
本系統將以 Apriori 演算法計算出的結果儲存在 OWL 文件中，可將彼此無 關聯的影片依標籤做連結。下圖為 OWL 儲存結構：
由圖 中可看到最上層的元素是標籤，和這個標籤相關聯的其他標籤為其相鄰節 點，每個標籤下面記錄包含這個標籤的所有影片，因此就將所有關聯影片串連起 來，成為一個 Relation。使用者在利用標籤搜尋時只要找到和輸入關鍵字一樣的 標籤，就直接把其下以及關聯標籤下的所有影片打包成清單，呈現給使用者瀏覽。
以上一小節為例子，結果儲存如下圖：
圖 3-20 OWL 儲存資料範例
假設 D4 為最後一部上傳的影片，在上傳之前計算出之關聯組合為”籃球”、”
奧運”、”選手”，因此存在”籃球”關鍵字，其相鄰節點為”奧運”、”選手”。D4 上 傳後，計算出之關聯組合不變，因其包含標籤”籃球”以及”選手”，因此將其加入”
籃球”與”選手”關鍵字下面。
3.4 影片查詢方法
語言[14]。XQuery 語言是一種路徑運算式（Path Expressions）、FLWOR 運算式、
<?xml version="1.0" encoding="ISO-8859-1"?>
<bookstore>
<book category="COOKING">
<title lang="en">Everyday Italian</title>
<author>Giada De Laurentiis</author>
<year>2005</year>
<price>30.00</price>
</book>
<book category="CHILDREN">
<title lang="en">Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
</bookstore>