Tag-basierte Ähnlichkeitsbestimmung bei ARTigo

Größe: px

Ab Seite anzeigen:

Download "Tag-basierte Ähnlichkeitsbestimmung bei ARTigo"

Meike Becker
vor 7 Jahren
Abrufe

1 Tag-basierte Ähnlichkeitsbestimmung bei ARTigo Crowdsourcing, Swarm Intelligence, Data Mining Referentin: Elena Levushkina Centrum für Informations- und Sprachverarbeitung

2 ARTigo Online-Spiel zur Verschlagwortung von Kunstwerken Der zugrundeliegende Bilderbestand wird der Datenbank Artemis entnommen (über Bilder) Schlagworte werden zur Verbesserung der Suche nach Kunstwerken eingesetzt 2

3 Zielsetzung Zielsetzung: Suche nach ähnlichen Kunstwerken mit einem Bild als Anfrage Fragestellung Wie können Tags zur Ähnlichkeitssuche verwendet werden Zu beachten Verschiedene Arten von Ähnlichkeit bei Kunstwerken 3

4 Ähnlichkeit bei Kunstwerken Subjektive Wahrnehmung, keine eindeutigen Kriterien Eine Rolle spielen z.b. Objekte Farben Technik Stilrichtung/Epoche Künstler Format 4

5 Ähnlichkeitsberechnung in ARTigo Aufgrund von validierten Tags Vektorraummodelbasiert 5

6 Vektorraummodell B l a u (1, 1, 0) (1, 0,1) Himmel (Himmel, Blau, Wolke) 6

7 Cosinusmaß Das Cosinusmaß stellt den Winkel zwischen Vektoren dar. Der größte Wert ergibt sich, wenn Vektoren in die gleiche Richtung zeigen. Der Wertebereich liegt zwischen -1 und 1 (oder zwischen 0 und 1 wenn keine negativen Werte in den Vektoren möglich sind). 7

8 Gewichtung der Terme Terme können entsprechend ihrer Bedeutung gewichtet werden. Dabei ist zu berücksichtigen: Die Selektivität eines Terms, d.h. wie wichtig ist der Term in der Bildkollektion (kontextunabhängig). Die Bedeutung eines Terms für ein Bild (kontextabhängig). 8

9 9 Beispiele der Ähnlichkeitsberechnung im Basisverfahren

10 Beispiel 1 (Basisverfahren) Gauguin, Paul Arearea (Joyeuseté) (1891) 10

11 Beispiel 2 (Basisverfahren) Albert, Joseph Spaziergang im Park von Hohenschwangau (1858/1860) 11

12 Mögliche Optimierungsansätze Gewichtung kann entsprechend den Vorstellungen über die Wichtigkeit der Begriffe angepasst werden Kunsthistorische Begriffe stärker gewichten Zuerst vergebene Tags stärker gewichten 12

13 Kunsthistorisches Vokabular Experimente 13

14 Kunsthistorisches Vokabular Idee Begriffe aus kunsthistorischem Vokabular sind vor allem für Fachleute für Ähnlichkeit zwischen den Werken wichtig Realisierung Kunsthistorisches Vokabular sammeln (Stilrichtung, Maltechnik, Epoche, Künstlername) Tags, die im kunsthistorischen Vokabular vorkommen werden stärker gewichtet 14

15 15 Beispiel Basisverfahren

16 16 Veränderung modifiziertes Verfahren

17 17 Ergebnis modifiziertes Verfahren

18 18 Beispiel Basisverfahren

19 19 Veränderung modifiziertes Verfahren

20 20 Ergebnis modifiziertes Verfahren

21 21 Beispiel Basisverfahren

22 22 Veränderung modifiziertes Verfahren

23 23 Ergebnis modifiziertes Verfahren

24 24 Beispiel Basisverfahren

25 25 Veränderung modifiziertes Verfahren

26 26 Ergebnis modifiziertes Verfahren

27 Eingabereihenfolge Experimente 27

28 Idee Berücksichtigung der Eingabereihenfolge zuerst eingegebene Begriffe sind auffälliger / prägnanter für ein Bild. Realisierung zu einem Bild werden alle Spielsessions ausgewertet. Treten Begriffe zu einem Werk mehrmals unter den ersten 3 Eingaben auf, werden sie für dieses Bild stärker gewichtet. 28

29 29 Beispiel (Basisverfahren)

30 30 Veränderung modifiziertes Verfahren

31 31 Ergebnis modifiziertes Verfahren

32 32 Beispiel (Basisverfahren)

33 33 Veränderung modifiziertes Verfahren

34 34 Ergebnis modifiziertes Verfahren

35 35 Beispiel (Basisverfahren)

36 36 Veränderung modifiziertes Verfahren

37 37 Ergebnis modifiziertes Verfahren

38 38 Beispiel (Basisverfahren)

39 39 Veränderung modifiziertes Verfahren

40 40 Ergebnis modifiziertes Verfahren

41 41 Resümee

42 Zusammenfassung Ähnlichkeitssuche liefert respektable Ergebnisse mit Ausreißern Modifizierte Verfahren unterstützen verschiedene Begriffe von Ähnlichkeit Objektive Beurteilung schwer möglich Empirische Auswertung steht bevor 42

Ähnliche Dokumente

T = {t 1,..., t n } sei die Menge der Terme. D = {d 1,..., d m } sei die Menge der Dokumente.

Vektorraummodell T = {t 1,..., t n } sei die Menge der Terme. D = {d 1,..., d m } sei die Menge der Dokumente. Dokumente und Anfragen werden als Vektoren in einem Vektorraum aufgefaßt. Der Vektorraum wird