基于Tag-rank和典型相关性分析的在线商品跨媒体检索研究

在线商品跨媒体检索是电子商务领域的研究热点,增强特征判别性以改善检索性能是其核心问题。引入Tag-rank模型计算单词的绝对排序和相对排序权重,以准确刻画单词在文本中出现位置的统计特性,抑制噪声干扰并提升关键词权重,从而增强文本特征判别性,最终改善跨媒体检索性能。实验表明:在文本检索图像中,相对排序类模型和绝对排序类模型检索性能平均提升6.58%和4.99%。在图像检索文本中,若合理选取图像特征;检索性能也有提升。所设计的后融合策略能进一步改善检索性能。

基于核特征和tag-rank的商品图像句子标注（英文）

针对商品图像句子标注中图像特征单一、关键词受噪声干扰等问题,提出一种聚焦图像特征学习和关键词摘取的商品图像句子标注模型.从梯度、形状和颜色3个角度抽取图像核特征,并在多核学习模型内进行后融合.利用tag-rank模型中的绝对排序和相对排序特征提升关键词权重,设计词序列拼积木算法把关键词拼装成N元词序列.基于N元词序列和模板生成句子.实验表明:句子的BLEU-1和BLEU-2评分优于对比模型.

基于协同标注的个性化电子学习推荐系统

分析各种基于标注的推荐技术的适用性,通过张量因子分解技术对最佳模型排序方法进行改进;比较基于标注的协同过滤(CF)、基于图的方法(自适应Page-Rank和Folk-Rank算法)以及基于张量的方法(HOSVD和RTF)的预测性能,优选出最佳的推荐方案。通过在一个开发的编程辅导系统中的应用,验证了所提推荐系统的有效性。

用户评论中的标签抽取以及排序

对于一个实体(产品或者商户),往往伴随着成千上万的用户评论。如何从这些冗杂的评论信息中抽取能够描述此实体的精华信息是研究的热点问题。该文提出了一种能够为每个实体抽取特征标签的方法,并且语义去重,保证标签在语义空间内相互独立。首先,对于每个实体的所有评论,进行中文分词、词性标注,并且做依存句法分析。然后,根据每个句子中的依存关系,抽取关键标签,构成此实体的标签库,并且对标签库进行显式语义去重。最后通过K-Means聚类以及Latent Dirichlet Allocation(LDA)主题模型将每个标签映射到语义独立的主题空间,再根据每个标签相对该主题的置信度进行排序。通过以上步骤,可以为每个实体抽取语义独立的关键标签描述,实验中,该文通过对返回标签列表的准确性以及语义多样性进行了统计分析,验证了标签抽取方法的可行性和有效性。

社会化标注系统的信息检索关键技术研究综述

比较社会化标注系统和传统搜索引擎在信息检索上的差别,对标签相关性排序、标签本体、个性化标签搜寻和多媒体标签检索等关键性技术进行了综述。认为系统观的信息检索技术并不能很好地处理用户的信息查询需求,需要从认知观方面开展用户信息行为的研究。

基于视觉显著性近邻投票的标签排序方法

针对社交图像的标签无序性问题,提出了一个新的标签排序方法。根据标签与图像内容的相关性,将社交图像的标签次序进行重排。基于图像显著性区域的视觉内容,用k近邻算法找到给定图像的视觉近邻,用近邻图像的标签列表对给定图像的标签进行投票学习每个标签的相关性,按相关性由高到低的次序对标签进行重新排列。与现有的方法相比,该文应用显著性模型找到与标签语义更加相关的图像近邻,增强了标签排序的准确性。实验结果表明,该文提出的方法得到的标签排序结果更加接近人工排序结果。

基于社会化标注的个性化推荐研究进展

社会化标注是当前互联网研究中的一个热点。本文在对社会化标注的内涵和结构加以简单介绍的基础上,重点探讨了基于社会化标注进行推荐的相关进展。首先是明确了标签对于用户模型的意义,接着,从用户、资源和标签三个角度对基于社会化标注的聚类算法进行了讨论。同时也对基于社会化标注的排序算法进行了分析,并进一步将其分为依附补充、独立排序和通用排序三类算法。然后,对标签推荐方面的研究进行了探讨,主要是围绕内容分析、协同分析、语义分析三个方面展开的。最后,分析了社会化标注中个性化信息推荐的研究,发现借助矩阵、聚类和网络的分析是三种主要思路。

基于视觉内容语义相关度的图像标签自动排序方法

提出一种基于视觉内容语义相关度的图像标签自动排序方法.该方法按照标签与图像内容的语义相关程度对网络共享图像的标签进行排序.首先,算法基于贝叶斯理论给出标签与图像内容语义相关度计算的概率表述.然后,融合多种视觉特征以实现对不同语义的标签与图像内容相关度概率的准确估计,具有较高的可扩展性.实验数据采用149 915幅Flickr网站下载图像,实验结果验证了本文方法的有效性.

基于张量分解的排序学习在个性化标签推荐中的研究

标签的使用给系统提供了一个划分并管理用户和物品的途径,而个性化的标签推荐则不仅方便用户输入标签,而且有助于提高系统标签的质量。进而,系统可以获得更多关于用户和物品的信息,提升后续推荐的精度,改善用户体验,因此在淘宝、滴滴等类似的业务场景中具有重要的作用。然而,现有的大多数标签推荐都没有关注推荐列表中的排序问题,列表中过于靠后的标签极易丧失让用户使用的机会,造成用户和物品信息的缺失,阻碍后续的精准推荐。针对上述问题,提出了一种基于张量Tucker分解和列表级排序学习的个性化标签推荐算法,采用优化MAP的方式进行训练,并在Last.fm数据集上进行了仿真实验,不仅验证了算法的有效性,而且充分探讨了学习率、核张量维度等参数对算法的影响。实验结果表明,该算法能较好地优化推荐列表的排序问题,且随列表长度的增加,其性能呈线性下降,算法的实现有利于更好地根据用户喜好来推荐服务。

基于低秩稀疏分解优化的图像标签完备

大量上传的网络图像因用户语义标注的随意性,造成了图像标签的不完备,大大降低了图像检索的效率.低秩稀疏是一种有效降低数据噪声的方法.为提高图像语义标签完备的准确度,提出一种基于低秩稀疏分解优化(LRSDO)的图像标签完备方法.首先结合待完备图像的视觉特征和语义搜索其近邻图像集;然后通过低秩稀疏分解模型获得其视觉特征与语义之间的映射关系,并以此预测该图像的候选标签;最后使用面向个体的标签共现频率方法对候选标签进行去噪优化,进而实现对其更加准确的自动图像标签完备.在基准数据集Corel5K和真实数据集Flickr30Concepts上进行了实验,结果表明,该方法在图像标签完备的平均准确率,平均召回率和覆盖率上均表现出更优的性能.

一种基于标签的网页摘要方法

提出一种基于标签的网页摘要方法。根据优质用户和优质标签之间的相互加强关系,利用二分图排序算法对标签进行排序和打分,构建标签-文档图,应用ManifoldRanking算法对句子按其重要性进行排序,将排序靠前的句子组成网页摘要。实验结果证明,该方法的摘要准确性有明显改进。

基于二分图的个性化图像标签推荐算法

传统的图像标签推荐方法通过对图像视觉内容的分析计算标签与图像的相关度,完成标签推荐任务.而社会网络图像具有丰富的元数据,例如图像所属群组、地理位置等,充分利用这些元数据对于提高标签推荐的准确性具有积极意义.提出一种基于二分图的个性化图像标签推荐算法,通过充分挖掘图像、群组、地理位置与标签的关系,针对用户提供的少量标签进行个性化图像标签推荐.该算法建立了图像-标签、群组-标签、地理位置-标签等三个二分图模型,考虑到每个标签的重要性不同,引入TF-IDF(Term Frequency-Inverse Document Frenquency)技术对标签进行加权处理.利用二分图将初始标签分值进行信息扩散,计算出最终标签分值向量,并将该向量中分值较高的标签作为推荐结果.实验结果表明,融合了图像与群组、地理位置等元数据的个性化图像标签推荐结果的NDCG(Normalized Discounted Cumulative Gain)值优于仅单方面考虑图像、群组以及地理位置的标签推荐结果.

融合项目标签信息面向排序的社会化推荐算法

近年来,推荐系统越来越受到人们的关注,按照应用场景主要分为评分预测和Top-K推荐。考虑到传统评分推荐系统和Top-K排序推荐系统只考虑用户和项目的二元评分信息,具有一定的局限性,因此扩展了一种基于列表排序学习的矩阵分解方法。一方面,充分考虑用户之间关注关系。首先通过用户之间的关注关系计算用户之间的信任度,接着通过用户之间的信任度在原始模型的损失函数中添加用户社交约束项,使相互信任的用户偏好向量尽可能接近。另一方面,计算项目所拥有标签的权重,并以此计算项目之间的标签相似度,再将项目的标签约束项添加至损失函数中。在真实Epinions和百度电影数据集中的实验结果表明,该方法的NDCG值和原始模型相比具有一定的提高,有效地提高了推荐准确率。

基于图学习的社会网络图像标签排序算法

提出一种社会网络图像标签排序算法。将SIFT特征、卷积神经网络特征以及视觉词袋模型相结合,从图像训练集中获取目标图像的视觉近邻图像集;令所有视觉近邻图像为目标图像的初始标签进行加权投票,通过对图像视觉相似度和标签语义相似度的线性融合,计算投票权值;利用目标图像及其视觉近邻图像的标签,构造标签图模型;利用加权投票结果在标签图上执行随机漫步,完成标签排序任务。实验结果验证了提出方法的有效性。

《汉语水平词汇等级大纲》若干问题的思考

《汉语水平词汇等级大纲》是汉语第二语言教学的重要依据和参考。经过调查,本文指出了该大纲在研制原则、词汇筛选、词语排序、词语标注等方面存在的一些问题,以期为编制新的汉语第二语言教学大纲提出一些可用的参考和建议。

一种基于HITS和随机跳转的网页标签排序方法

Web 2.0应用的兴起,推进了情报学科由＂文献组织＂向＂知识组织＂演化。网页标签作为重要的Web2.0应用之一,已经成为大众组织知识的常用途径。然而,现有的标签排序方法难以有效满足知识组织的需求。本文在三核协同标签模型的基础上,充分考虑标签和用户、标签和标签、标签和文档之间的关系,提出了一种结合HITS和随机跳转的标签排序方法。该方法利用高质量标签和高质量用户之间的相互加强关系,根据标签之间的相似性来找出高质量相关标签,有效提高标签排序的质量。在Delicious数据集上的实验结果表明,该方法能较大提高标签排序的准确度。

互联网社群图像标签排序研究进展

互联网社群图像标签排序是目前计算机视觉、机器学习等领域最热门的课题之一。图像标签序列的合理性直接影响到图像检索等应用的效果。目前图像标签排序的方法多种多样,根据标签排序方法的不同将其划分为基于语义相关度与基于视觉显著性的标签排序,着重介绍了两类方法的典型标签排序方法,分析其各自的优缺点。最后就图像标签排序的评价方法以及发展趋势做了简单的论述。

基于超图排序和组稀疏最优化的推荐系统

针对同时性图像标注和地理位置预测,基于超图排序和组稀疏最优化提出一种方法。根据超图概念构建起包含不同类型对象的超图G(V,E,w),构建包含排序向量f和查询向量y的一般推荐系统问题;通过执行组稀疏最优化,把超图顶点分割成S个非重叠对象组,对每个对象组分配不同的权值,使它能够充分利用各种类型的信息,提高图像标注和地理位置预测的准确性。基于从中国旅评网抽取出的数据集的实验结果表明,提出方法相比其它方法,能够获得更高的召回-精确率和F1测量值,能够对排名前3位的地理位置获得更高的正确预测率和累计评分。

基于模块化聚类的标签弹性推荐

[目的/意义]社会化标注系统为用户检索提供便利的同时也面临一些困扰,标签推荐研究有助于解决资源检索中精确度与召回率之间的两难抉择。[过程/方法]借助网络科学的理论与方法,通过对标签网络的模块化聚类处理获得主题聚类,采用度数中心度对主题聚类内部标签进行排名,根据特定规则选取Top-N标签数量。[结果/结论]实验结果显示,研究中提出的模块化Top-N标签推荐方法,具有可逐层细化的精确度和良好的召回率。该方法的弹性机制可为不同的检索要求提供差异化服务。

基于潜在标签挖掘和细粒度偏好的个性化标签推荐

为进一步提高个性化标签推荐性能,针对标签数据的稀疏性以及传统方法忽略隐藏在用户和项目上下文中潜在标签的缺陷,提出一种基于潜在标签挖掘和细粒度偏好的个性化标签推荐方法。首先,提出利用用户和项目的上下文信息从大量未观测标签中挖掘用户可能感兴趣的少量潜在标签,将标签重新划分为正类标签、潜在标签和负类标签三类,进而构建〈用户,项目〉对标签的细粒度偏好关系,在缓解标签稀疏性的同时,提高对标签偏好关系的表达能力;然后,基于贝叶斯个性化排序优化框架对细粒度偏好关系进行建模,并结合成对交互张量分解对偏好值进行预测,构建细粒度的个性化标签推荐模型并提出优化算法。对比实验表明,提出的方法在保证较快收敛速度的前提下,有效地提高了个性化标签的推荐准确性。