随着网络视频平台的快速发展,产生了海量的视频数据,这给视频环境下的标签生成和相关审核工作带来了更多挑战。常见的视频标签主要是图像信息或静态文本信息,标签特征维度单一,且通常是视频整体的标签,难以通过标签对应到具体的视频片段,因此,标签的应用程度有限的同时,标签审核效率也不高。根据弹幕文本的聚集性、时序性以及与视频内容之间的相关性,本文通过对弹幕的文本分析,来完成对视频的数据挖掘,生成针对视频片段的标签,提高对视频标签的审核效率。并以不同主题视频的弹幕文本为研究对象,进行了面向视频的弹幕分析和标签生成技术研究。具体研究内容和贡献主要如下:首先,本文提出了一种基于滑动窗口的文本密度聚类方法,将待聚类文本映射到向量空间,根据聚类对象的k邻近距离和k-dist曲线图来确定算法的最佳参数,以提升实验效果,并结合弹幕文本特征和时序信息进行了相似性密度聚类分析,按照时间顺序和滑动窗口将相似的弹幕划分到同一聚类簇。除此之外,本文还通过将聚类簇样本点根据时间信息进行排序,获得簇的时间边界点,并将其时间信息作为关键片段的开始和结束时间,以实现对视频片段的动态划分,定位视频关键片段。接着,本文对比了多种关键词提取技术,深入研究了其中应用较广泛的Text Rank算法,并针对弹幕文本特征,对Text Rank关键词提取算法进行了改进。其中,本文主要针对Text Rank图模型的节点边权关系进行了相关调整,计算了弹幕文本的语义相似性和情感值,提出了一种融合词向量和情感信息的关键词抽取模型。最后,为了更好地验证本文所提出的通过弹幕实现关键片段定位和视频标签生成的方法的有效性,本文采集了主流视频平台的主题视频弹幕文本,将其作为本文实验的数据集,并进行了文本分词和过滤等预处理操作。在处理后的数据集上运用所提出的算法进行文本聚类和关键词抽取。实验结果表明,针对面向视频的弹幕文本分析任务,所提出的算法比传统算法的效果更佳,具有精确率、召回率和F1值高的优点。本文的研究能够有效地实现基于弹幕的视频动态分段,获取有价值的关键词作为对应片段的视频标签,提高视频平台人员对视频标签的审核效率,为视频的弹幕文本分析和标签生成应用研究提供了新的思路。