Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Comparative Study for Known Item Visual Search Using Position Color Feature Signatures Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Discovering User Interests from Social Images

verfasst von : Jiangchao Yao, Ya Zhang, Ivor Tsang, Jun Sun

Erschienen in: MultiMedia Modeling

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The last decades have witnessed the boom of social networks. As a result, discovering user interests from social media has gained increasing attention. While the accumulation of social media presents us great opportunities for a better understanding of the users, the challenge lies in how to build a uniform model for the heterogeneous contents. In this article, we propose a hybrid mixture model for user interests discovery which exploits both the textual and visual content associated with social images. By modeling the features of each content source independently at the latent variable level and unifies them as latent interests, the proposed model allows the semantic interpretation of user interests in both the visual and textual perspectives. Qualitative and quantitative experiments on a Flickr dataset with 2.54 million images have demonstrated its promise for user interest analysis compared with existing methods.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Discovering Geographic Regions in the City Using Social Multimedia and Open Data
Nächstes Kapitel Effect of Junk Images on Inter-concept Distance Measurement: Positive or Negative?
Fußnoten
Literatur
1.
Abel, F., et al.: Twitter-based user modeling for news recommendations. In: Proceedings of the 23rd International Joint Conference on Artificial Intelligence. AAAI Press (2013)
2.
Blei, D.M., et al.: Latent Dirichlet allocation. J. Mach. Learn. Res. (2003)
3.
Campbell, W.M., et al.: Content+ context networks for user classification in Twitter. In: In Frontiers of Network Analysis: Methods, Models, and Applications Workshop at Neural Information Processing Systems (2013)
4.
Crandall, D., Snavely, N., et al.: Modeling people and places with internet photo collections. Commun. ACM (2012). ACM
5.
Elkahky, A.M., et al.: A multi-view deep learning approach for cross domain user modeling in recommendation systems. In: WWW, World Wide Web Consortium (2015)
6.
Farseev, A., et al.: Harvesting multiple sources for user profile learning: a big data study. In: Proceedings of the 5th ACM on International Conference on Multimedia Retrieval (2015)
7.
Huang, S., et al.: Social friend recommendation based on network correlation and feature co-clustering. In: Proceedings of the 5th ACM on International Conference on Multimedia Retrieval (2015)
8.
Ikeda, K., et al.: Twitter user profiling based on text and community mining for market analysis. Knowl.-Based Syst. (2013)
9.
Joshi, D., et al.: Building user profiles from shared photos. In: Proceedings of the 2015 Workshop on Community-Organized Multimodal Mining: Opportunities for Novel Solutions. ACM (2015)
10.
Le, Q.V., Mikolov, T.: Distributed representations of sentences and documents. Comput. Sci. (2014)
11.
Rosen-Zvi, M., et al.: The author-topic model for authors and documents. In: Proceedings of the 21st Conference on Uncertainty in Artificial Intelligence. Morgan Kaufmann Publishers Inc. (2004)
12.
Srivastava, N., Salakhutdinov, R.R.: Multimodal learning with deep Boltzmann machines. In: Frontiers of Network Analysis: Methods, Models, and Applications Workshop at Neural Information Processing Systems (2012)
13.
Niu, T., Zhu, S., Pang, L., Saddik, A.: Sentiment analysis on multi-view social data. In: Tian, Q., Sebe, N., Qi, G.-J., Huet, B., Hong, R., Liu, X. (eds.) MMM 2016. LNCS, vol. 9517, pp. 15–27. Springer, Heidelberg (2016). doi:10.​1007/​978-3-319-27674-8_​2 CrossRef
14.
Pennacchiotti, M., Popescu, A.M.: A machine learning approach to twitter user classification. In: Proceedings of the 21st International Joint Conference on Artificial Intelligence. AAAI Press (2011)
15.
Guntuku, S.C., Roy, S., Weisi, L.: Personality modeling based image recommendation. In: He, X., Luo, S., Tao, D., Xu, C., Yang, J., Hasan, M.A. (eds.) MMM 2015. LNCS, vol. 8936, pp. 171–182. Springer, Heidelberg (2015). doi:10.​1007/​978-3-319-14442-9_​15
16.
Szegedy, C., et al.: Going deeper with convolutions. In: The IEEE Conference on Computer Vision and Pattern Recognition (2015)
17.
Tang, J., et al.: A combination approach to web user profiling. ACM Trans. Knowl. Discov. Data (2010)
18.
Thomee, B., et al.: YFCC100M: the new data in multimedia research. Commun. ACM (2016). ACM
19.
Wang, Z., et al.: Bilateral correspondence model for words-and-pictures association in multimedia-rich microblogs. ACM Trans. Multimedia Comput. Commun. Appl. (2014)
20.
Xie, P., et al.: Mining user interests from personal photos. In: Proceedings of the 29th AAAI Conference on Artificial Intelligence (2015)
21.
Xing, E.P., et al.: A generalized mean field algorithm for variational inference in exponential families. In: Proceedings of the 19th Conference on Uncertainty in Artificial Intelligence. Morgan Kaufmann Publishers Inc. (2002)
22.
Yao, J., et al.: Joint latent Dirichlet allocation for non-iid social tags. In: IEEE International Conference on Multimedia and Expo (2015)
Metadaten
Titel
Discovering User Interests from Social Images
verfasst von
Jiangchao Yao
Ya Zhang
Ivor Tsang
Jun Sun
Copyright-Jahr
2017
Buch
MultiMedia Modeling

Print ISBN: 978-3-319-51813-8

Electronic ISBN: 978-3-319-51814-5

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-51814-5_14

Neuer Inhalt

    Bildnachweise