Flickr Tag Recommendation based on Collective Knowledge

       本篇论文包含两个方面:通过对Flickr的统计,对用户如何使用标签和用户提供的标签有哪些种类进行了研究;另一方面,基于前一方面的分析,提出了四种不同的标签推荐策略,可以被用户用来向图片增加标签。结果表明,推荐的关联标签具备效率高、多层次的特点。

1 相关背景
      多媒体标注对大规模检索系统来说非常有用。目前基于内容的图片检索系统在不断演进,但是却不能很好的解决人类之间的语义鸿沟。不同的人对同一个图片有不同见解,对同一标注也有不同语义理解。
      在利用标签推荐的时候,有两种不同的应用。一种是让用户去对推荐的标签进行选择,一种是推荐的标签直接就存储到系统中丰富图片的索引。

2 用户如何使用标签
      1.研究的范围
            选择的研究对象是2004-2到2007-6之间的至少有一个用户标签的图片
      2.普遍的标签规律
            以标签的个数和其出现的频率分别为横纵轴,曲线符合power law。
            以图片个数和相应的标签个数分别为横纵轴,曲线符合power law。
            为了更好分析标签推荐系统中标签的行为问题,论文中定义了四种不同的类别。第一类是拥有一个tag的图片,大概有15.5million;第二类是拥有2-3个tag的图片,大概有17.5million;第三类是拥有4-6个tag的图片,大概有12million;第三类是有超过6个标签的tag,大概有7million
      3.标签分类
            为了分析用户标签的内容,利用WordNet的分类对Flickr进行了分类。很多时候,标签可能属于多个分类,这个时候会将标签的分类确定为ranking最高的分类。发现52%的标签可以分类,有48%则不能。通过分类发现,用户不仅仅对图片可见的内容进行标签,在很大程度上会对图片的情景进行拓展,例如地点、时间和动作。

3 标签推荐系统
       首先介绍下标签推荐系统,然后解释相应的标签聚合和提取策略。
3.1 基本的标签推荐系统
        标签推荐基本分为三步。第一步:收集用户对某一图片(或资源)进行标注的已有标签;第二步:通过tag co-occurrence找寻同时出现的tag;第三步:通过tag的聚合和分级,进行标签推荐。
3.2 tag co-occurrence(tag同现)
        tag同现是该论文中进行标签推荐的中最重要的方法。利用不同的方法计算两个tag的同现系数。
        ①对称方法(Symmetric measures)
            
            可以和Jaccard协同系数一样,用来计算两个对象或tag集之间的相似度
        ②非对称方法
            可以用其中一个tag出现的概率作为tag同现度量
            
       可以理解为,对图片标注了ti的情况下,同样标注tj的概率。(也就是条件概率)
       两者的小结:对称方法和非堆成方法相比,对称方法擅长对同等标签进行识别,例如:埃菲尔铁塔、埃菲尔和La埃菲尔铁塔;而非对称方法则能够提供更多维度的可选标签,例如:巴黎、法国、铁塔埃菲尔和欧洲。
3.3 标签聚合和提取(promotion)
       有两种不同的聚合策略,基于voting和summing能够达到这个目的,然后通过重新排列(re-ranking)进行提取(promotion)。
       三种不同标签的定义:
        1)用户定义的标签U:指的是用户向图片指定的一系列标签
        2)候选标签Cu:对于任意的u∈U,Cu是同现标签中排名前的m个
        3)推荐的标签R:通过标签推荐系统进行推荐的排名前n的最相近的标签
        对候选标签C进行聚合,产生最后的推荐标签R。论文中定义了两种聚合策略,第一种是基于voting,这种策略没有考虑候选标签的同现值;第二种是基于summing策略,考虑用同现值产生分级。两种情况中,都会产生排行前m个的同现标签。
        Vote。为每个在C中的c有一个score,如果c属于Cu,则其score会加1。计算公式如下: 
                 
         Sum。该策略考虑所有候选的标签列表C,然后计算标签的同现值,最后计算每个候选标签c∈C的score。计算公式如下:
               
                  P(c|u)计算了非对称同现值。
         
          提取(Promotion) 标签分布的基本规律就是服从power law,其头部和尾部都不能很好的用来进行推荐。尾部的标签由于不经常出现,被认为是不稳定固定的描述;头部包含的标签过于大众化。
          Stability-promotion。用户定义的标签可以认为其出现频率越高,稳定性越好;推荐稳定性好的标签。
                
               |u|是标签u在集合中的频率,Ks是参数。
          Descriptiveness-promotion。标签拥有越高的频率对于图片来讲越普通。
               
               Kd是参数。
          Rank-promotion。对于用户标签u的候选标签c∈Cu,其在候选标签集合中的位置为r。
               
               Kr是一个衰减的参数。
           根据上述的promotion函数,论文提出了一个标签对(u,c):
               
           将promotion和voting或summing聚合方法结合,结合promotion和voting计算score的方法如下:
                 
            这样,一个标签系统中有一系列参数,包括m,Kr,Ks,Kd.
            四种不同的策略就是vote,sum,vote+和sum+。
4总结与对比
       最好的策略就是V+,具备很好的稳定性能;而且标签推荐系统擅长推荐地点、制造物和对象等,其词汇容量和推荐采用率都较高。
       1)标签频率的分布呈现power law曲线
       2)在power law中间部分的标签包含了进行标签推荐最感兴趣的候选
       3)提出的四个策略有有效,通过对标签进行分级
       
 




















你可能感兴趣的:(c,制造,存储)