Emergent Behaviors from Folksonomy Driven Interactions
为了反映Web上不断发展的知识,本文认为本体的基础上,根据一个新的概念结构称为“Folksodrived”来表示大众分类法。本文描述了一个研究计划,用于研究Folkso驱动的标签交互导致Folkso驱动的集群行为。研究的目的是了解在Folksodrived标签上产生复杂和有目的的群体行为的简单局部交互类型。我们描述了一种合成的,自下而上的方法来研究群体行为,包括设计和测试各种社会互动和文化场景与Folksodrived标签。我们提出了一套基本的相互作用,可用于结构和简化过程中的设计和分析紧急群体行为。所提出的行为库的开发和测试的大众分类环境。
2019-12-31 cs.AI cs.CL cs.IR
Intelligent Interface Architectures for Folksonomy Driven Structure Network
大众分类法是免费的个人信息或将标签分配给对象(由URI确定)以便找到它们的结果。标签的做法是在集体环境中进行的。Folksonomy是自我构建的,基于定义的同现,而不是数据的层次结构。这样做的缺点是,一些网站和应用程序能够成功地利用书签的共享。对能够解决定义模糊性的工具的需求正变得越来越迫切,因为在网络应用程序中对其可视化、编辑和利用的简单工具的需求仍然阻碍着它们的传播和广泛采用。面向大众分类的智能交互界面设计应该考虑基于感知用户界面的并发交互的上下文设计和查询。本文提出了一种新的概念结构--“Folksodrived”来表示大众分类。同时提出了一种基于Folksodrived的结构网络(FSN),解决了用户对Folksonomy标签定义的模糊性,为用户提供建议。在此基础上,开发了一个人机交互系统,用于通过网络对大众分类知识库(FSN)进行可视化、导航、更新和维护。将介绍系统功能及其内部结构。
2012-03-28 cs.CL cs.CY cs.HC
Long Time No See: The Probability of Reusing Tags as a Function of Frequency and Recency
在本文中,我们介绍了一个标签推荐算法,模仿人类在他们的长期记忆中绘制项目的方式。该方法使用先前标签分配的频率和新近度来估计重用特定标签的概率。使用三个真实世界的folksonomies收集书签BibSonomy,CiteULike和Flickr,我们展示了如何添加一个时间依赖的组件优于传统的“最流行的标签”的方法和另一个现有的和非常有效的,但较少的理论驱动,时间依赖的推荐机制。通过将我们的方法与简单的资源特定频率分析相结合,我们的算法优于其他成熟的算法,如FolkRank,Pairwise Interaction Tensor Factorization和Collaborative Filtering。我们的结论是,我们的方法提供了一个准确的和计算效率的用户的时间标记行为的模型。我们将展示如何有效的原则,信息检索可以设计和实施,如果考虑到人类的记忆过程。
2013-12-18 cs.IR
Folksonomic Tag Clouds as an Aid to Content Indexing
社会标签系统最近已经发展成为互联网上一种流行的数据组织方法。这些系统允许用户以一种对他们有意义的方式组织他们的内容,而不是强迫他们使用预先确定的和严格的分类。这些大众分类法提供了描述Web资源的非结构化标签的良好填充源,这些标签可以潜在地用作这些资源的语义索引项。然而,让人们就什么标签最好地描述资源达成一致是一个困难的问题,因此任何增加所选术语的一致性和稳定性的功能都是非常有益的。我们调查如何提供一个标签云,一个加权列表的条款,通常用于协助浏览的大众分类,在标记过程本身的影响标签产生的,以及如何困难的用户认为的任务。我们表明,说明最流行的标签,以用户协助标记过程中,并鼓励形成一个稳定和一致的大众分类法。
2009-11-21 cs.HC cs.IR
Semantic Analysis of Tag Similarity Measures in Collaborative Tagging Systems
社会书签系统允许用户以协作的方式组织网络上的资源集合。这些系统的日益普及以及对其新兴语义的首次洞察使它们与知识提取和本体学习等学科相关。设计方法来测量标签之间的语义相关性并从语义上对其进行表征的问题在很大程度上仍然是开放的。在这里,我们分析了标签相关性的三个措施:标签同现,余弦相似性的同现分布,和FolkRank,一个适应的PageRank算法,以folksonomies。每个度量都是根据从社会书签系统del.icio.us抓取的大规模数据集的标签计算的。为了提供我们的研究结果的语义基础,WordNet(英语的语义词典)的连接建立映射标签到同义词集的WordNet,并应用有著名的语义相似性度量。我们的研究结果清楚地揭示了所选的相关性措施的不同特点,使它们适用于不同的子任务的知识提取,如同义词检测或发现的概念层次结构。
2008-05-14 cs.DL cs.IR
A Personalized Tag-Based Recommendation in Social Web Systems
最近,标记活动已被确定为关于个人兴趣、偏好、目标和从用户模型已知的其他属性的知识的潜在来源。因此,标签本身可以用于找到个性化的项目推荐。在本文中,我们提出了一个基于标签的推荐系统,建议相似的网页的基础上,他们的标签从Web 2.0标签应用程序的相似性。所提出的方法扩展了基本的相似性演算与外部因素,如标签的流行程度,标签的代表性和用户和标签之间的亲和力。为了研究和评估推荐系统,我们进行了一项实验,涉及来自12个国家的38人使用的数据从Del.icio.us,社会书签网络系统,用户可以分享他们的个人书签。
2012-03-01 cs.IR cs.SI
Semantic Grounding Strategies for Tagbased Recommender Systems
推荐系统通常根据推荐项目或用户之间的相似性进行操作。基于标签的推荐系统利用标签的相似性。然而,标签大多是免费的用户输入的短语。因此,在没有语义基础的情况下计算的相似性可能导致不太相关的建议。在本文中,我们研究了用于标签相似性演算的语义基础。我们展示了一个全面的分析,从不同领域的20个本体的语义基础。研究还发现,目前可用的OWL本体非常狭窄,相似扩展的百分比相当小。WordNet的得分稍高,因为它更广泛,但不多,因为它不支持几个语义关系。此外,该研究表明,即使有如此多的扩展,建议也会发生很大变化。
2011-11-07 cs.IR cs.SI
Ontologies and tag-statistics
随着协同标注系统的日益普及,对标注网络、超图、本体、大众分类等相关概念的研究正成为一个具有现实意义和实用价值的重要跨学科课题。在大多数协作标记系统中,用户的标记是完全“扁平”的,而在某些情况下,他们被允许为自己的标记定义一个浅层次结构。然而,通常没有给出标签的整体层次组织,并且该领域的有趣挑战之一是提供从可用数据生成标签的本体的算法。相比之下,也有其他类型的标记网络可用于研究,其中标记已经被组织成有向无环图(DAG),封装了彼此之间的“是”类型层次结构的“子类别”。在本文中,我们研究了这个DAG如何影响标签在各种真实网络中标记的节点上的标签的统计分布。我们分析了两个大型的子网络的英文维基百科和蛋白质-蛋白质相互作用网络的DAG中的标签频率和标签的位置之间的关系。我们还研究了标签共现统计,通过引入二维标签距离分布,同时保留了共现标签对的DAG中的水平和绝对距离的差异。我们最有趣的发现是DAG中标签的局部相关性(即,其等级或重要性的特征在于,例如,从它们开始的分支的长度)比它们到根的全局距离重要得多。此外,我们还介绍了一个简单的标记模型的基础上随机游走的DAG,能够再现标签共现的主要统计特征。
2012-01-05 cs.IR physics.soc-ph stat.AP
Audio-based Distributional Semantic Models for Music Auto-tagging and Similarity Measurement
基于音频的分布式语义模型(ADSMs)的最新发展使音频和词汇向量表示的计算在一个联合的声学语义空间。在这项工作中,这些联合表示应用到自动标签生成的问题。预测的标签连同其相应的声学表示被利用的声学语义剪辑嵌入的建设。所提出的算法进行评估的音乐片段之间的相似性测量的任务。声学语义模型表现出优于国家的最先进的这项任务,并产生高品质的音频/音乐片段的标签。
2016-12-26 cs.IR
R-Rec: A rule-based system for contextual suggestion using tag-description similarity
上下文建议处理复杂信息需求的搜索技术,高度关注上下文和用户需求。在本文中,我们提出了\emph{R-Rec},一种新的基于规则的技术,以确定和推荐适当的兴趣点给用户给她过去的喜好。我们尝试以评分和任何先前兴趣点的标签的形式体现用户共享的信息,并使用它来对未评级的候选建议进行排名。基于建议与用户喜欢的地点之间的相似性以及建议与用户不喜欢的地点之间的相异性来计算排名函数。在TREC-Contextual Suggestion 2015数据集上进行的实验表明了我们方法的有效性。
2017-07-05 cs.IR
Evaluating Tag Recommendations for E-Book Annotation Using a Semantic Similarity Metric
Know-Center GmbH(知识中心有限公司);HGV GmbH(HGV有限公司);Graz University of Technology(格拉茨技术大学)
在本文中,我们提出了我们的工作,以支持出版商和编辑在寻找描述性标签的电子书,通过标签推荐。我们提出了一个混合标签推荐系统的电子书,它利用搜索查询条件从亚马逊用户和电子书元数据,这是由出版商和编辑分配。我们的想法是模仿亚马逊用户的词汇表,他们搜索和评论电子书,并将这些搜索词与编辑器标签结合起来,形成一种混合标签推荐方法。总的来说,我们评估了19个标签推荐算法对亚马逊用户的评论内容,这反映了读者的词汇。我们的研究结果表明,我们可以提高电子书标签推荐系统的性能,无论是关于标签推荐的准确性,多样性,以及一个新的语义相似性度量,我们也提出了在本文中。
2019-08-12 cs.CL cs.IR
Collaborative filtering with diffusion-based similarity on tripartite graphs
协同标签在信息系统的组织中发挥着越来越重要的作用。在本文中,我们研究了个性化推荐模型,利用用户,对象和标签之间的三元关系。我们提出了一种基于用户偏好和标签信息的用户相似性度量方法。两种类型的用户之间的相似性计算,通过使用一个基于扩散的过程,然后集成推荐。我们测试了所提出的方法在一个标准的协同过滤框架与三个指标:排名分数,召回率和精度,并证明它比常用的余弦相似性表现得更好。
2009-10-17 cs.IR
Graph-Based Recommendation System Enhanced with Community Detection
University of Tabriz(大不里士大学);Urmia University(乌尔米亚大学)
针对自由标签语义模糊和兴趣随时间变化的问题,本文结合词汇相似性、带时间因素的共现标签、图建模与社区检测生成推荐,并在两个公开数据集上使召回率和精确率平均提升5%和7%。
2023-07-27 cs.AI cs.CL cs.IR
Self-supervised Auxiliary Loss for Metric Learning in Music Similarity-based Retrieval and Auto-tagging
Sony Computer Science Laboratories, Inc(索尼计算机科学实验室公司);Koozyt, Inc(Koozyt公司)
本文提出一种结合自监督辅助损失的度量学习方法,用于提升音乐相似度检索与自动标注性能,并发现联合训练监督与自监督信号、微调阶段不使用数据增强更有效。
2023-04-15 cs.IR cs.LG cs.SD
Beyond Similarity: Task-Aligned Retrieval for Language Models
City University of Hong Kong(香港城市大学)
提出任务对齐检索(TAG)框架,用基于适用性的规则选择替代基于相似性的检索,在规则驱动任务中显著提升性能并减少检索上下文。
2026-05-27 cs.IR
Tag-based Semantic Website Recommendation for Turkish Language
随着互联网上网站数量的急剧增加,标签已经成为寻找相关,个人和重要文件的流行方式。当分析潜在增长的互联网市场时,土耳其,其中大多数人在互联网上使用土耳其语,发现呈指数级增长。本文提出了一种基于标签的网站推荐方法,将相似性度量与标签的语义关系相结合。为了评估该系统,25人从土耳其进行实验,参与者首先被要求提供网站和标签在土耳其,然后他们被要求评估推荐的网站。
2013-08-06 cs.IR
Short Text Hashing Improved by Integrating Multi-Granularity Topics and Tags
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
由于紧凑二进制码的计算和存储效率,散列已被广泛用于大规模相似性搜索。不幸的是,许多现有的散列方法的基础上观察到的关键字功能是不有效的短文本,由于稀疏和简短。最近,一些研究人员试图利用一定粒度的潜在主题来保持哈希码中的语义相似性,而不仅仅是关键字匹配。然而,一定粒度的主题不足以表示内在的语义信息。在本文中,我们提出了一种使用多粒度主题和标签进行短文本哈希的新型统一方法,称为HMTT。特别是,我们提出了一种选择方法来选择最佳的多粒度主题取决于数据集的类型,并设计了两个不同的哈希策略,将多粒度的主题。我们还提出了一个简单而有效的方法来利用标签,以提高相关文本的相似性。我们在一个短文本数据集和一个正常文本数据集上进行了广泛的实验。结果表明,我们的方法是有效的,并显着优于基线的几个评估指标。
2015-03-10 cs.CL cs.IR
Extracting tag hierarchies
使用描述性注释或关键字标记项是压缩和突出显示有关给定实体属性的信息的一种非常自然的方式。多年来,已经提出了几种方法,用于为具有标签的“扁平”、平等组织的系统提取标签之间的层次结构,当标签对应于由许多独立的人给出的自由词时,这是非常常见的。在这里,我们提出了一个完整的框架,自动标记层次结构提取标记出现统计的基础上。除了提出新的算法,我们还引入了不同的质量指标,从不同方面对竞争方法进行详细比较。此外,我们建立了一个合成的,计算机生成的基准提供了一个通用的测试工具,与一对夫妇的可调参数能够产生广泛的测试床。除了计算机生成的输入,我们还在研究中使用真实数据,包括一个生物学例子,在标签之间有预定义的层次结构。令人鼓舞的相似性之间的预定义和重建的层次,以及看似有意义的层次结构获得其他真实的系统表明,标签层次结构提取是一个非常有前途的方向,为进一步的研究与实际应用的巨大潜力。
2014-01-22 cs.IR cs.SI physics.soc-ph
Image Tag Refinement by Regularized Latent Dirichlet Allocation
标记是当今最流行和最实用的方式,使图像可搜索。然而,在现实中,许多手动分配的标签与图像内容无关,因此对于应用来说是不可靠的。最近已经进行了大量的努力来改进图像标签。本文从主题建模的角度对标签进行细化,提出了一种新的图模型-正则化潜在狄利克雷分配(rLDA)。在所提出的方法中,标签相似性和标签相关性联合估计在一个迭代的方式,使他们可以受益于彼此,和多明智的标签之间的关系进行了探索。此外,语料库中的标签和图像的视觉亲和力的统计数据进行了探索,以帮助主题建模。我们还从深层结构的角度分析了我们的方法的优越性。标签排序和图像检索实验表明了该方法的优越性。
2013-07-29 cs.IR
Geo-Temporal Distribution of Tag Terms for Event-Related Image Retrieval
Flickr和Panoramio等媒体共享应用程序包含大量与现实生活事件相关的图片。因此,开发有效的方法来检索这些图片是重要的,但仍然是一项具有挑战性的任务。认识到这一点的重要性,并提高基于标签的事件检索系统的检索效率,我们提出了一种新的方法来提取一组地理标签功能的原始地理空间配置文件的用户标签。其主要思想是在基于机器学习的查询扩展方法中使用这些特征来选择最佳扩展项。具体而言,我们应用严格的统计探索性分析的空间点模式,以提取地理空间特征。我们使用这些特征来总结单个术语的空间分布的空间特征,并确定两个术语的空间分布之间的相似性-即,项间空间相似性。为了进一步改进我们的方法,我们研究了我们的地理空间特征与时间特征相结合对选择扩展项的影响。为了评估我们的方法,我们进行了几个实验,包括众所周知的特征分析。这样的分析表明,我们提出的地理空间特征有助于提高整体检索性能。实验结果证明了该方法的有效性和可行性。
2015-04-28 cs.IR
Tag Embedding Based Personalized Point Of Interest Recommendation System
个性化的兴趣点推荐对于满足用户在新地点的需求非常有帮助。在这篇文章中,我们提出了一种基于标签嵌入的个性化推荐方法。我们对与兴趣点相对应的标签之间的关系进行建模。该模型提供了代表性的嵌入对应于一个标签的方式,相关的标签将更接近。我们基于标签嵌入对Point of Interest进行建模,并基于用户(用户简档)对Point Of Interest进行评级。最后,根据用户嵌入与兴趣点嵌入的余弦相似度对用户的候选兴趣点进行排序。此外,我们通过在不同的测量(如ndcg@5,MRR,...)上进行离散优化来找到对用户进行建模所需的参数。我们还分析了结果,同时考虑相同的参数为所有用户和每个用户的个人参数。与此同时,我们还分析了在改变数据集以建模标签之间的关系时对结果的影响。我们的方法还最大限度地减少了隐私泄露问题。我们使用了TREC Contextual Suggestion 2016 Phase 2数据集,并在最先进的方法上对所有指标进行了显著改进。ndcg@5提高了12.8%,p@5提高了4.3%,MRR提高了7.8%,表明了该方法的有效性。
2021-08-07 cs.IR
A Data-Driven Approach for Tag Refinement and Localization in Web Videos
Università degli Studi di Firenze(佛罗伦萨大学);Stanford University(斯坦福大学);Università degli Studi di Modena e Reggio Emilia(摩德纳-雷焦艾米利亚大学)
随着基于web的服务和社交网络在其用户中普及了标记功能,视觉内容的标记正变得越来越普遍。这些用户生成的标签用于简化媒体集的浏览和探索,例如使用标签云,或检索多媒体内容。然而,并非所有媒体都被用户标记。使用当前的系统很容易标记一张照片,甚至标记照片的一部分,比如一张脸,在Flickr和Facebook这样的网站上也很常见。另一方面,标记视频序列更复杂且耗时,使得用户仅标记视频的整体内容。在本文中,我们提出了一种自动视频注释的方法,增加了原来由用户提供的标签的数量,并将它们暂时定位,将标签与关键帧相关联。我们的方法利用了嵌入在用户生成的标签和网络资源中的集体知识,以及上传到YouTube和Flickr等社交网站的关键帧和图像的视觉相似性,以及Google和Bing等网络资源。给定一个关键帧,我们的方法能够从这些视觉源中动态选择与该测试样本最相关的训练样本,并继续在类似图像中传输标签。与现有的视频标记方法,需要训练分类器为每个标签相比,我们的系统具有很少的参数,易于实现,可以处理一个开放的词汇场景。我们在DUT-WEBV(一个大型的网络视频数据集)上展示了标签细化和本地化的方法,并展示了最先进的结果。
2015-05-28 cs.CV cs.IR cs.MM
A Multi-View Embedding Space for Modeling Internet Images, Tags, and their Semantics
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Microsoft Research Silicon Valley(微软研究院硅谷分院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文研究了互联网图像和相关的文本或标签的任务,如图像到图像搜索,标签到图像搜索,图像到标签搜索(图像注释)建模的问题。我们开始与典型相关分析(CCA),一个流行的和成功的方法映射视觉和文本特征到同一个潜在的空间,并纳入第三个视图捕捉高层次的图像语义,表示由一个单一的类别或多个非相互排斥的概念。我们提出了两种方法来训练三视图嵌入:监督,与第三个视图来自地面实况标签或搜索关键字;和无监督,与语义主题自动聚类的标签。为了确保检索任务的高准确性,同时保持学习过程的可扩展性,我们结合了多个强视觉特征,并使用显式非线性核映射来有效地近似核CCA。为了进行检索,我们在嵌入空间中使用了一个专门设计的相似性函数,它大大优于欧氏距离。由此产生的系统产生令人信服的定性结果,并优于一些两个视图基线检索任务上的三个大型互联网图像数据集。
2013-09-02 cs.CV cs.IR cs.LG
Metric Learning for Tag Recommendation: Tackling Data Sparsity and Cold Start Issues
Southwest Jiaotong University(西南交通大学);Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学)
本文提出一种基于度量学习的标签推荐算法,通过学习距离或相似性度量捕捉用户偏好与物品特征差异,有效解决数据稀疏和冷启动问题,在多项指标上优于LRML、CML和ATF基线方法。
2024-11-10 cs.IR cs.LG
Metric Learning vs Classification for Disentangled Music Representation Learning
Graduate School of Culture Technology, KAIST(韩国科学技术院文化技术研究生院);Adobe Research(奥多比研究院)
深度表示学习为将输入数据映射到有组织的嵌入空间提供了强大的范例,并且对于许多音乐信息检索任务都很有用。表示学习的两种核心方法包括深度度量学习和分类,两者都具有相同的目标,即学习可以在任务中很好地推广的表示。随着泛化,解开表示的新兴概念也引起了极大的兴趣,其中多个语义概念(例如,体裁、情绪、乐器)是共同学习的,但在学习的表示空间中保持可分离。在本文中,我们提出了一个单一的表示学习框架,阐明了度量学习,分类,并在一个整体的方式解开之间的关系。为此,我们(1)概述了过去关于度量学习和分类之间关系的工作,(2)通过探索三种不同的学习方法及其分解版本将这种关系扩展到多标签数据,(3)评估四个任务(训练时间,相似性检索,自动标记和三重预测)的所有模型。我们发现,基于分类的模型通常在训练时间、相似性检索和自动标记方面具有优势,而深度度量学习在三元组预测方面表现出更好的性能。最后,我们表明,我们提出的方法产生的音乐自动标记的最先进的结果。
2020-08-12 cs.IR cs.LG cs.SD
VISIR: Visual and Semantic Image Label Refinement
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Allen Institute for Artificial Intelligence(艾伦人工智能研究所);University of Warwick(华威大学)
社交媒体的爆炸式增长使互联网上充斥着大量的图片。存在两种现有的图像检索范例:1)基于内容的图像检索(CBIR),其传统上使用视觉特征进行相似性搜索(例如,SIFT特征),以及2)基于标签的图像检索(TBIR),其依赖于用户标签(例如,Flickr tags)。CBIR现在通过基于深度学习的视觉标签检测的进步获得了语义表达能力。TBIR受益于查询和点击日志,可以自动推断出更多信息的标签。然而,基于学习的标记仍然会产生嘈杂的标签,并且仅限于具体的对象,错过了概括和抽象。基于点击的标记仅限于出现在图像的文本上下文中或导致点击的查询中的术语。本文通过语义精炼和扩展基于学习的目标检测所建议的标签来解决上述限制。我们考虑不同对象的标签之间的语义一致性,利用词汇和常识知识,并将标签分配转化为整数线性规划求解的约束优化问题。实验表明,我们的方法,称为VISIR,提高了最先进的视觉标记工具,如LSDA和YOLO的质量。
2019-09-02 cs.CV cs.IR cs.MM
Beyond Static: Related Questions Retrieval Through Conversations in Community Question Answering
School of Computer Science and Engineering, University of Electronic Science and Technology of China(电子科技大学计算机科学与工程学院);School of Management Science and Engineering, Southwestern University of Finance and Economics(西南财经大学管理科学与工程学院)
本文提出TeCQR模型,通过对话方式提升社区问答中相关问题检索性能,利用标签增强澄清问题和噪声容忍模型,有效处理噪声反馈并优化问题表示。
2026-03-09 cs.AI cs.CL cs.IR