超越分类：基于视觉内容分析的潜在用户兴趣画像
信息检索
2016-11-17 v1 计算机视觉与模式识别
社会与信息网络
摘要
用户偏好画像是现代在线社交网络(OSN)中的一项重要任务。随着以图像为中心的社交平台（如Pinterest）的激增，视觉内容已成为理解用户偏好最具信息量的数据流之一。传统方法通常将视觉内容分析视为一个通用分类问题，为每张图像分配一个或多个标签。尽管这种方法简化了图像分析过程，但它忽略了在人们对图像的感知中起重要作用的丰富上下文和视觉线索。在本文中，我们探索了直接从图像内容中学习用户潜在视觉偏好的可能性。我们提出了一种基于深度卷积神经网络(CNN)的距离度量学习方法，直接从视觉内容中提取相似性信息，并利用导出的距离度量来挖掘个体用户的细粒度视觉偏好。通过使用来自5,790个Pinterest用户的数据进行的初步实验，我们表明即使对于同一类别中的图像，每个用户也拥有在其生命周期内一致的、可个体识别的视觉偏好。我们的结果强调了细粒度视觉偏好画像在理解用户偏好方面未被开发的潜力。
引用
@article{arxiv.1512.06785,
title = {Beyond Classification: Latent User Interests Profiling from Visual Contents Analysis},
author = {Longqi Yang and Cheng-Kang Hsieh and Deborah Estrin},
journal= {arXiv preprint arXiv:1512.06785},
year = {2016}
}
备注
2015 IEEE 15th International Conference on Data Mining Workshops