解説: a semantic approach to recommending text advertisements for images
•
3 likes•1,251 views
A Semantic Approach to Recommending Text Advertisements for Images - http://wanlab.poly.edu/recsys12/recsys/p179.pdf を解説しました。
More Related Content
Similar to 解説: a semantic approach to recommending text advertisements for images
Similar to 解説: a semantic approach to recommending text advertisements for images (6)
解説: a semantic approach to recommending text advertisements for images
- 1. 解説: A SEMANTIC APPROACH TO RECOMMENDING TEXT ADVERTISEMENTS FOR IMAGES 画像に対する広告レコメンドのセマンティック・アプローチ
- 2. このスライドについて このスライドは A Semantic Approach to Recommending Text Advertisements for Images Weinan Zhang, Li Tian, Xinruo Sun, Haofen Wang, Yong Yu. Dept. of Computer Science and Engineering. Shanghai Jiao Tong University. を和訳・解説したものです。
- 3. この論文について • 著者: Weinan Zhang 上海交通大学→UCL所属。 研究分野はRTBやディスプレイ広告など。 この論文の他にも 「Optiomal Real-Time Bidding for Display Advertising」 などを発表。 • 論文: ACMのレコメンドシステムカンファレンス2012に提出された もの。 → 受賞はしていない。
- 4. 概要 最近のWebサイト • Facebook • Flickr 従来のコンテンツ・ターゲット広告(contextual target advertising)では、ユーザに訴求する広告を表⽰示できない。 ⼤大量量の画像と少しのテキスト
- 5. ビジュアル・コンテンツ・ターゲット広告の問題点 既存の⼿手法その1 • 画像アノテーション ターゲット画像が与えられると、ラベリングされた画像で訓練したモデルでアノテー ションを抽出。 抽出したアノテーションを使ってレコメンド広告を取り出す。 アノテーション≒ テキスト・コンテンツ・ターゲットのキーワード [問題点] • 時間がかかる • アノテーションの品質が保証されない
- 7. ビジュアル・コンテンツ・ターゲット広告の問題点 共通の問題 1. 画像のタグと広告の分布が異異なる 左図Problem1 「Pleurodont Agama」(イグアナの名 前)に最適な広告は出せない。 2. 意味的ミスマッチ 左図Problem2 「Tiger」から 「Tiger Woods」や「Missouri Tigers Apparel」が出てきてしまう。
- 11. 1. セマンティックなビジュアルコンテンツ広告 1. マッピング テキストグラフ画像グラフ 画像を画像グラフにマッピング テキストをテキストグラフにマッピング
- 13. 1. セマンティックなビジュアルコンテンツ広告 クロス・ナレッジ・マッチング関数Μ Ψ: 画像から画像グラフのノードへのマッピング Φ: 広告からテキストグラフのノードへのマッピング
- 15. 2. 定義 テキスト特徴空間 広告空間(А)と広告(а) 各広告はテキストの特徴ベクトルに対し、 ti: テキストの特徴 m: 特徴量 :аにおけるテキスト特徴tkの頻度 画像特徴空間 画像空間(Ι)と画像(ι) 各画像は画像特徴ベクトルに対し、 vi: 画像の特徴 n: 特徴量 :iにおける画像特徴vkの頻度
- 16. 2. 定義 テキストナレッジグラフ Otはノード集合 Etはエッジ Ot: ノード Et: エッジ 画像ナレッジグラフ Ovはノード集合 Evはエッジ Ov: ノード Ev: エッジ
- 18. 3. ナレッジ・ベース ・テキスト・ナレッジベース → Wikipedia ・画像ナレッジベース → ImageNet/WordNet ・ブリッジ・ナレッジ → YAGO
- 21. 4. マッピング＆マッチング Φ・・・テキスト・マッピング関数 広告の略略語などの特殊表現とWikipediaをマッチングするために ESAアルゴリズムを使⽤用。 → TFIDF重み付け × 頻度度 ※ESA(Explicit Semantic Analysis)については下記参照 http://www.cs.technion.ac.il/~∼gabr/resources/code/esa/esa.html 広告集合内における単語（フレーズ）の頻度度
- 22. 4. マッピング＆マッチング ψ・・・画像・マッピング関数 ImageNetの画像とカテゴリーの階層構造を訓練データとし、 重⼼心法によるのコサイン類似関数θ(ι, оv)を使って近似値を得る。 → 実験ではk=7, ω=0.6が良良いパフォーマンスだった。 ωは祖先ノードの重み ovの祖先
- 23. 4. マッピング＆マッチング Μ・・・クロス・ナレッジベース・マッチング関数 2つの⽅方法を実験。 ・LOD Descroption Overlap(LODDO) リンクドオープンデータを使う http://rd.springer.com/chapter/10.1007/978-‐‑‒3-‐‑‒642-‐‑‒29923-‐‑‒0_̲18#page-‐‑‒1 ・Hierarchy-‐‑‒based Matching 階層型分類ベースのセマンティックマッチング
- 25. 5. アルゴリズムまとめ • オフラインプロセス： 1. 広告とWikipediaのノードの関連度度を計算しておく。 2. ESAにより広告から各ノードへの逆インデックスを構築。 ※検索索エンジンで⾔言うドキュメントからキーワードへのインデックス • オンラインプロセス： 1. 対象画像をiとして、ImageNetのノードk を得るためにψ(i)をよぶ。 2. YAGOでImageNetのノードと Wikipediaのノードをリンクする。 3. Wikipediaノードにリンクされた広告 リストを取得する。L 4. ΜでL内の広告と対象画像iの関連度度を計算する。 5. 広告リストにランクをつける。
- 27. 実験 ⽐比較したアルゴリズム • Annotation + Search(AS) 画像アノテーション • Annotation + Expansion + Search(ASEx) 画像アノテーションセマンティック拡張 • ViCAD ※前述 • ImageAdSense(この論論⽂文の⼿手法) iAdSense-‐‑‒LODDO iAdSenseでクロスナレッジマッチングにLODDOを使⽤用。 iAdSense-‐‑‒Tree iAdSenseでクロスナレッジマッチングに階層型分類マッチを使⽤用。 iAdSense-‐‑‒OneLayer iAdSenseでクロスナレッジマッチングを使⽤用しない。
- 28. 実験 評価⽅方法 • 6⼈人の学⽣生に協⼒力力を依頼。 • 少なくとも2⼈人以上が「広告と画像に関連がある」と判定した場合 にカウント1、そうでない場合は0とする。 • 画像と広告のペアでスコア平均を取る。 • P@n(precision at position n)で評価。(nはtop-‐‑‒n) πiは、対象画像とi番⽬目のレコメンド広告のペアの平均スコア
- 29. 結果 iAdSense-‐‑‒OneLayerは他のiAdsenseに⽐比べて数値が低い → クロスナレッジマッチングが必要 ViCADはASより優れているがiAdSenseには劣劣る。 → 画像のタグ中にノイズが多く、構⽂文マッチという意味ではASと同じ問題を抱えている。 iAdSense-‐‑‒LODDO > ASEx 16.4%↑ iAdSense-‐‑‒LODDO > ViCAD 20.7%↑