The KIPS Transactions:PartD (정보처리학회논문지D)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Image recommendation algorithm based on profile using user preference and visual descriptor

사용자 선호도와 시각적 기술자를 이용한 사용자 프로파일 기반 이미지 추천 알고리즘

  • 김덕환 (인하대학교 전자공학부) ;
  • 양준식 (인하대학교 대학원 전자공학과) ;
  • 조원희 (인하대학교 대학원 전자공학과)
  • Published : 2008.08.29
Download PDF
⟨ Previous Next ⟩

Abstract

The advancement of information technology and the popularization of Internet has explosively increased the amount of multimedia contents. Therefore, the requirement of multimedia recommendation to satisfy a user's needs increases fastly. Up to now, CF is used to recommend general items and multimedia contents. However, general CF doesn't reflect visual characteristics of image contents so that it can't be adaptable to image recommendation. Besides, it has limitations in new item recommendation, the sparsity problem, and dynamic change of user preference. In this paper, we present new image recommendation method FBCF (Feature Based Collaborative Filtering) to resolve such problems. FBCF builds new user profile by clustering visual features in terms of user preference, and reflects user's current preference to recommendation by using preference feedback. Experimental result using real mobile images demonstrate that FBCF outperforms conventional CF by 400% in terms of recommendation ratio.

정보 기술과 인터넷의 발전은 멀티미디어 컨텐츠의 양에 있어서 폭발적인 성장을 가져 왔으며 이러한 멀티미디어 컨텐츠 양의 증가는 이용자의 요구에 맞는 멀티미디어 컨텐츠 추천에 대한 필요성을 더 증가 시켰다. 현재까지 일반상품과 멀티미디어 컨텐츠 추천을 위한 기법에는 협업필터링 (CF: Collaborative Filtering)이 있다. 하지만 기존의 CF 기법은 이미지가 갖고 있는 시각적 특징을 제대로 표현하지 못하고 있으며, 입력 데이터의 희박성 (Sparsity) 문제와 신상품 추천 문제 그리고 선호도의 동적인 변화 문제를 포함하고 있기 때문에 이미지 컨텐츠 추천에는 적합하지 않다. 이와 같은 기존의 CF기법의 단점을 해결하기 위해서 본 논문에서는 새로운 이미지 추천 방법으로 FBCF (Feature Based Collaborative Filtering) 기법을 제안한다. FBCF 기법은 시각적 특징을 선호도에 따라 군집화한 새로운 사용자 프로파일 구성방법을 제시하며, 선호도 피드백을 통하여 구매자의 현재 성향을 추천에 반영할 수 있다. 실제 모바일 이미지 데이터를 사용한 실험에서 FBCF 기법이 기존의 CF 기법보다 400% 향상된 성능을 보임을 확인할 수 있다.

Keywords

References

  1. 인터넷백서, 한국인터넷정보센터, 2007
  2. G. Buchanan, M. Jones and H. Thimbleby, “Improving mobile internet usability,” Proceedings of the 10th World Wide Web Conference, 2001 https://doi.org/10.1145/371920.372181
  3. 무선인터넷 산업분석, 대우증권, 2005
  4. Ovum Forecasts: Global Mobile Markets 2003-2007, Ovum, 2007
  5. C. Y. Kim, J. K. Lee, Y. H. Cho, and D. H. Kim, “VISCORS: A visual content recommender for the mobile web,” IEEE Intelligent Systems, 19(6), pp.32-39, Nov., 2004 https://doi.org/10.1109/MIS.2004.75
  6. B. Sarwar, G. Karypis, J Konstan and J. Riedl, “Analysis of recommendation algorithms for e-commerce,” Proceedings of the ACM E-Commerce Conference, pp.158-167, 2000 https://doi.org/10.1145/352871.352887
  7. Y. H. Cho, J. K. Kim and S. H. Kim, “A personalized recommender system based on Web usage mining and decision tree induction,” Expert Systems with Applications, 23(3), pp.329-342, 2002 https://doi.org/10.1016/S0957-4174(02)00052-0
  8. M. Balabanovic and Y. Shoham, “Fab: content-based collaborative recommendation,” Communication of the ACM, 40(3), pp.66-72, 1997 https://doi.org/10.1145/245108.245124
  9. P. Melville, R. J. Mooney, and R. Nagarajan, “Contentboosted collaborative filtering for improved recommendations,” Proceedings of the 18th National Conference on Artificial Intelligence, pp.187-192, 2002
  10. J. T. Foote, “Content-based retrieval of music and audio,” Proceedings of SPIE, pp.138-147, 1997
  11. J. K. Kim, Y. H. Cho, M. Y. Kang, and H. K. K, “A hybrid multimedia contents recommendation procedure for a new item problem in m-commerce,” 2006
  12. M. Flickner, H. Sawhney, W. N. Ashley, Q. Huang, B. Dom, M. Gorkani, J. Hafner, D. Lee, D. Petkovic, D. Steele, and P. Yanker, “Query by image and video content: the QBIC system,” IEEE Computer Magazine, 28(9), pp.23-32, 1995
  13. Y. Ishikawa, R. Subramanyay and C. Faloutsosz, “MindReader: querying databases through multiple examples,” Proceedings of the 24th VLDB Conference, pp.218-227, 1998
  14. K. Chakrabarti, K. Porkaew and S. Mehrotra, “Query refinement for multimedia similarity retrieval in MARS,” Proceedings of the 7th ACM Multimedia Conference, pp. 235-238, 1999 https://doi.org/10.1145/319463.319613
  15. R. Brunelli and O. Mich, “Image retrieval by examples,” IEEE Transactions on Multimedia, 2(3), pp. 164-171, 2000 https://doi.org/10.1109/6046.865481
  16. J. Shi and J. Malik, “Normalized cuts and image segmentation,” IEEE Transactions On Pattern Analysis And Machine Intelligence, 22(8), Aug., 2000 https://doi.org/10.1109/34.868688
  17. D. Comaniciu and P. Meer, “Roubst analysis of feature spaces: color image segmentation, Proceedings of Conference on Computer Vision and Pattern Recognition, pp.750-755, 1997
  18. D. H. Kim, J. W. Song, J. h. Lee, and B. G. Choi, “Support vector machine learning for region-based image retrieval with relevance feedback,” ETRI Journal, 29(5), pp.700-702, Oct., 2007 https://doi.org/10.4218/etrij.07.0207.0037
  19. Y. H. Cho, C.Y. Kim, and D. H. Kim, “Image recommendation in the mobile internet,” Proceedingof the conference on PRICAI, pp.963-964, 2004