User Interest Profiling from User Generated Visual Content----论文笔记

本文提出了一种通过分析用户上传的图像内容来推断其兴趣分布的方法。该方法结合了图像级、组级和类级信息,利用深度学习技术和标签传播算法实现精准的兴趣识别。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

标题:根据用户产生的视觉内容(图像)分析用户兴趣

一、背景

1)准确地辨识出用户的特质和兴趣对私人定制和推荐系统都很重要。

2)目前大多数工作都集中在用户产生的文本内容上,用户产生的视觉内容(图像)相对却很少受到关注,而图像现在非常普遍,且图像还不受语言障碍,所以这个课题值得研究。

二、idea

1)假设用户上传的图片是反映了自己的兴趣点,那么我们就可以根据分析这些图片内容,然后利用图片信息来推断用户的兴趣分布了。

2)观察到,一个类别(如体育)下可有多个组(如足球、篮球),一个类别中的图片有一些共同特征,但类下组里的图片相似性更强。对应的方法为,利用图片级(image-level)信息在图片之间传播标签信息(这里的标签应该理解为组,我是这么认为的),利用类之间的相关性对所有图片进一步传播类别级(category-level)信息。

三、方法

问题描述

输入:用户 u 在社交平台上上传的 I 张图片

C 个兴趣类别。

输出:在用户级(user-level)C 个兴趣类别上的概率分布,作为用户的兴趣分布。

训练图像级分类模型

利用图片及其标签来微调在ImageNet数据集上已经训练好的网络,具体来说,深度CNN特征提取自训练好CNN模型的最后一个全连接层,并用此作为后续操作的铺垫。

图像级和组级标签传播预测

引入组级(group-level)相似性来传播图像标签。

类级(category-level)信息:设n为类别数目,定义 GRn×n 为这n个类之间的规范化(行和为1)相似性矩阵。

图像级(image-level)信息:定义 W 为规范化的相似性矩阵。

组级(group-level)信息:Yt+1=(1Λ)WYtG+ΛY0 (1)

​ 其中, Y0 是图像标签的初始估计,

Λi,i=maxjY0i,jkY0i,k (2)

组约束标签传播算法如下:

其中 G <script type="math/tex" id="MathJax-Element-10">G</script>的计算采用的是Jaccard index

这里写图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值