TWI396105B - 用於模擬個體差異之個人化資訊檢索之數位資料處理方法及其電腦裝置可讀式資訊儲存媒體與資訊檢索系統 - Google Patents
用於模擬個體差異之個人化資訊檢索之數位資料處理方法及其電腦裝置可讀式資訊儲存媒體與資訊檢索系統 Download PDFInfo
- Publication number
- TWI396105B TWI396105B TW098124627A TW98124627A TWI396105B TW I396105 B TWI396105 B TW I396105B TW 098124627 A TW098124627 A TW 098124627A TW 98124627 A TW98124627 A TW 98124627A TW I396105 B TWI396105 B TW I396105B
- Authority
- TW
- Taiwan
- Prior art keywords
- value
- data content
- perceptual
- data
- general
- Prior art date
Links
- 238000003672 processing method Methods 0.000 title claims description 32
- 230000008447 perception Effects 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000033764 rhythmic process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 14
- 230000008451 emotion Effects 0.000 description 9
- 239000002609 medium Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000002996 emotional effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013549 information retrieval technique Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010012374 Depressed mood Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000006163 transport media Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
- G06F16/437—Administration of user profiles, e.g. generation, initialisation, adaptation, distribution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本發明是有關於一種用於資訊檢索之數位資料處理方法及其電腦可讀式資訊儲存媒體與資訊檢索系統，且特別是有關於一種用於模擬個體差異之個人化資訊檢索之數位資料處理方法及其電腦可讀式資訊儲存媒體與資訊檢索系統。
隨著數位資料數量的快速成長，許多多媒體檔案的資訊檢索技術亦不斷在研究發展中。例如，一種基於高度主觀觀念的資訊檢索技術，例如是基於情感、喜好、及美感，係用來取代傳統僅能基於關鍵字來進行檢索的資訊檢索技術。
有關上述之高度主觀觀念，有許多文獻可見於刊物。例如：有關情感之文獻，可參照標題為「音樂情感辨識之回歸方法」，其係由Y.-H. Yang等人於2008年發表在電子電機工程師學會(Institute of Electrical and Electronics Engineers,IEEE)期刊，音訊、語音、及語言處理，第16卷，第2號，第448-457頁上；有關喜好之文獻，可參照標題為「用於協合過濾之個人化主動學習」，其係由A. S. Harpale及Y.-M. Yang於2008年發表於ACM SIGIR，第259-266頁；而有關美感之文獻，則可參照標題為「運算媒體美感：尋找美之意義」，其係由C. Dorai及S. Venkatesh於2001年發表在IEEE期刊，多媒體，第8卷，第4號，第10-12頁。
然而，人類的感知是相當主觀的，要提供適用於所有人的一個一般檢索模型並不容易。舉例來說，請參照第1圖，其繪為用於情感標定(annotation)之二維的價-激發(valence-arousal)情感平面之示意圖。於第1圖中，平面(a)~(d)係各表示為一首歌曲的價-激發情感平面。各個圓圈係對應至一使用者對於一首歌曲的標定，其係表示於此二維的情感平面上，並以價(正面/負面的程度)與激發(興奮/平靜的程度)來定義情感。此種定義方式可參照生理心理學的相關文獻。由第1圖可知，由於每個人的情感感知變化很大，於實作中若僅以決定性的方式來指定各首歌曲的情感數值，則在估測某一特定使用者對一首歌曲的感知時，估測的效果並不理想。
本發明係有關於一種用於資訊檢索之數位資料處理方法及其電腦可讀式資訊儲存媒體與資訊檢索系統，可依據一使用者提供的欲檢索感知值檢索多筆資料內容的個人感知估測值，以找出符合使用者之欲檢索感知值的至少一筆資料內容，其中，各筆個人感知估測值表示為該使用者對於各筆資料內容之主觀觀念的估測值。於一實施例中，於取得個人感知估測值時，係經由使用者的回饋，而藉由模擬個體差異的方式來進行個體化模型的訓練。之後，依據此個體化模型及一般化模型，便可得到適於此使用者的個人化感知估測值。如此，將能提高估測的準確性，進而提高資訊檢索的效能。
根據本發明之一方面，提出一種檢索系統之數位資料處理方法，包括下列步驟。首先，偵測一檢索指令，該檢索指令包含一使用者之一欲檢索感知值。接著，回應於該檢索指令，檢索複數筆資料內容之複數筆個人感知估測值以找出符合該使用者之該欲檢索感知值的至少一筆資料內容，其中各筆個人感知估測值表示為該使用者對於各筆資料內容之主觀觀念的估測值。之後，呈現該至少一筆資料內容。
根據本發明之另一方面，提出一種電腦可讀式資訊儲存媒體，用以儲存複數個電腦指令，當一電子裝置執行此些電腦指令後，執行如上所述之檢索系統之數位資料處理方法。
根據本發明之另一方面，提出一種檢索系統之數位資料處理方法，包括下列步驟。首先，偵測至少一回饋指令，回饋指令包含至少一回饋感知值，而至少一回饋感知值係對應於複數筆資料內容中之至少一筆資料內容。接著，依據回饋感知值與對應之一一般感知值之間的比較結果，決定一殘差(residual)感知值。接著，針對被回饋之至少一筆資料內容，依據對應之特徵及對應之該殘差感知值，對一個體化模型進行訓練。之後，至少依據一一般模型及訓練後之該個體化模型，決定各筆資料內容之用於資訊檢索之個人感知估測值，並據以提供資訊檢索的服務，其中各筆個人感知估測值表示為該使用者對於各筆資料內容之主觀觀念的估測值。
根據本發明之另一方面，提出一種電腦可讀式資訊儲存媒體，用以儲存複數個電腦指令，當一電子裝置執行此些電腦指令後，執行如上所述之檢索系統之數位資料處理方法。
根據本發明之再一方面，提出一資訊檢索系統，包括一儲存單元及一處理單元。儲存單元用以儲存複數筆資料內容及對應的複數筆個人感知估測值，其中各筆個人感知估測值表示為一使用者對於各筆資料內容之主觀觀念的估測值。處理單元用以偵測一檢索指令，該檢索指令包含該使用者之一欲檢索感知值。該處理單元更用以回應於該檢索指令，檢索該些筆資料內容之複數筆個人感知估測值以找出符合該使用者之該欲檢索感知值的至少一筆資料內容。該處理單元並用以呈現該至少一筆資料內容。
根據本發明之再一方面，提出一種資訊檢索系統。此系統包括一資料庫、一儲存單元、及一處理單元。資料庫用以儲存複數筆資料內容及對應的複數個個人感知估測值，其中各筆個人感知估測值表示為該使用者對於各筆資料內容之主觀觀念的估測值。儲存單元儲存有一一般模型的模型參數及一個體化模型的模型參數，一般模型代表各資料內容所對應之特徵及所對應之複數個預設感知值之間的對應關係。處理單元用以偵測一回饋指令，該回饋指令包含對應於該些筆資料內容中之至少一筆資料內容的至少一回饋感知值。該處理單元更用以依據該回饋感知值與對應於被回饋之該筆資料內容之一一般感知值之間的比較結果，決定一殘差感知值，其中該一般感知值係依據被回饋之該筆資料內容之該些預設感知值而得。該處理單元另用以針對被回饋之該至少一筆資料內容，依據對應之特徵及對應之該殘差感知值，對該個體化模型進行訓練而改變該個體化模型的模型參數。該處理單元並用以至少依據該一般模型及訓練後之該個體化模型決定各筆資料內容之個人感知估測值，並據以提供資訊檢索的服務。
為讓本發明之上述內容能更明顯易懂，下文特舉較佳實施例，並配合所附圖式，作詳細說明如下。
於本發明之實施例中，可依據一使用者提供的欲檢索感知值檢索多筆資料內容的個人感知估測值，以找出符合使用者之欲檢索感知值的至少一筆資料內容，其中，各筆個人感知估測值表示為該使用者對於各筆資料內容之主觀觀念的估測值。此處之主觀觀念例如是使用者對於特定的資料內容(如音樂)的感受程度(如感覺悲傷或快樂的程度)。於一實施例中，為了取得個人感知估測值，係提出一種藉由模擬使用者感知(personal perception)與大眾感知(general perception)之殘差(residual)，以用於資訊檢索之數位資料處理方法及資訊檢索系統。於一實施例中，針對多筆資料內容，預先訓練好模擬這些資料內容的特徵與感知之關係的一般模型，再利用與使用者互動中所獲得之回饋來訓練一個體化模型。如此，將個體化模型之估測結果與一般模型之估測結果相加後，即可得到接近使用者所預期之個人化感知估測值。此種個人化感知估測值係可應用於資訊檢索系統中，而可用於資訊檢索服務，從而找出與之關聯的資料內容。茲以多個實施例詳細說明如下。
請參照第2圖，其繪示依照本發明一實施例之數位資料處理方法之流程圖。此方法包括下列步驟。首先，如步驟S210所示，偵測至少一回饋指令，該回饋指令包含對應於多筆資料內容中之至少一資料內容的至少一回饋感知值。然後，如步驟S220所示，依據回饋感知值與對應之一般感知值之間的比較結果，決定一殘差(residual)感知值。
之後，如步驟S230所示，針對被回饋之此至少一筆資料內容，依據對應之特徵及對應之殘差感知值，對一個體化模型進行訓練。接著，如步驟S240所示，至少依據一般模型及訓練後之個體化模型，決定各筆資料內容之用於資訊檢索之個人感知估測值，並據以提供資訊檢索的服務。其中，各筆個人感知估測值表示為該使用者對於各筆資料內容之主觀觀念的估測值。
茲配合多個示意圖，以應用第2圖之數位資料處理方法之一資訊檢索系統詳細說明如下。首先，請參照第3圖，其繪示乃本發明一實施例之資訊檢索系統之方塊圖。
資訊檢索系統300包括一資料庫310及一伺服器320。資料庫320用以儲存N筆資料內容及對應的N個個人感知估測值，其中，N為自然數。伺服器320包括一處理單元322及一儲存單元324。伺服器320連接至一網路NW，並用以提供資訊檢索的服務給連接至網路NW之至少一台電腦裝置PC1~PCn，讓使用者可以透過一電腦裝置使用此資訊檢索服務。此處所述之電腦裝置，可以是車上電腦、筆記型電腦、或個人電腦。除此以外，電腦裝置亦可以為一種運算裝置或手持裝置，如手機、具有網路連接功能之PDA、或多媒體播放機。
在第3圖之資訊檢索系統中，為了提供各個電腦裝置PC1~PCn之使用者所適用之個人化資訊檢索服務，伺服器320，例如藉由儲存單元324，儲存有：一個一般模型的模型參數，用以提供一般感知估測值；及多個個體化模型的模型參數，各個個體化模型用以提供各台電腦裝置PC1~PCn之使用者所適用之一殘差感知估測值。茲將此兩種感知估測值所代表的意義說明如下，並進一步說明本實施例如何提供此兩種模型。
一般感知估測值：給定一筆資料內容，此資料內容例如是文件、影像、音樂、或視訊，估測出各個使用者對於此筆資料內容之一般感受的數值，例如情感、喜好、或美學。
個人感知估測值：給定一筆資料內容，估測出一個特定之使用者對於此筆資料內容之個人感受的數值。
一般模型代表各資料內容所對應之特徵及所對應之多個預設感知值之間的對應關係。舉例來說，請參照第5A圖，其繪示乃一般模型M(.)之訓練過程之示意圖之一例。在一實施例中，一般模型可事先以資料庫320所儲存之N筆資料內容S1~SN來進行訓練。其中，一第i筆資料內容係預先由多個使用者User1~Useru來進行標定，並於標定後提供多個評鑑(label)，以作為第i筆資料內容Si所對應的多個預設感知值Yi1~Yiu，i為小於或等於N之自然數。亦即，第1筆資料內容S1會對應至多個預設感知值Y11~Y1u。當然，於另一實施例中，為了訓練一般模型M(.)，可不需對全部的資料內容S1~SN來提供評鑑，而是針對部分之資料內容來提供評鑑。如此，一般模型M(.)即能以此部分的資料內容來建立。
於訓練的過程中，係取得第i筆資料內容Si所對應的特徵Xi。各特徵Xi可依據不同的資料內容來予以定義。於實作中，多筆的資料內容可包括一種或多種多媒體檔案，例如是音樂、影像、視訊、或文字之檔案。對應於這些檔案，本實施例可以針對特徵參數分析其內容，以找出對於各種檔案有意義的特徵。例如，對於音樂檔案，所取得的特徵可包括節奏、音調、或梅爾刻度倒頻譜參數(Mel-frequency Cepstral Coefficient,MFCC)。對於影像檔案，則特徵可包括顏色、或紋理。而有關視訊檔案，特徵則例如包括場景的切換速度、或訊框。至於文字檔案，特徵則例如是有關特定主題的關鍵字或加上其他文章分析參數如文法特徵、風格、正式或口語。在依據本發明之另一實施例中，各種型式的檔案所對應的特徵應可視不同情況及需求而予以設計之。
之後，便可針對第i筆資料內容Si，依據所對應的特徵Xi及對應的多個預設感知值Yi1~Yiu，來對一般模型M(.)進行訓練。以一筆資料內容S1為例，針對此資料內容S1，依據對應的特徵X1及對應的多個預設感知值Y11~Y1u，對一般模型M(.)進行訓練。於實作中，針對此資料內容S1，還可計算出預設感知值Y11~Y1u的一平均值，並依據特徵X1及此平均值來對一般模型M(.)進行訓練。所謂的訓練例如係意指，使得M(Xi)與預設感知值Yi1~Yiu的平均值之間的誤差成為最小化。然本實施例之一般模型M(.)的訓練方式亦不限於此。
如此，在訓練完成後，此一般模型便能代表各資料內容所對應之特徵及所對應之多個預設感知值之間的對應關係，而能夠針對一個資料內容來提供其對應的一般感知估測值。例如，針對此N筆資料內容S1~SN，一般模型M(.)可提供對應的N個一般感知估測值Y1g~YNg(未繪示於第5A圖)。於一實作之例子中，此一般模型例如是在訓練完成後，才提供給伺服器320，以將一般模型的模型參數儲存於儲存單元324之中。
個體化模型代表N筆資料內容中被回饋之至少一第i筆資料內容所對應之特徵及所對應之一殘差(residual)感知值之間的對應關係。茲以電腦裝置PC1為例，將本實施例之處理單元322係如何依據電腦裝置PC1的回饋來對一個個體化模型進行訓練詳細說明如下。
請參照第4圖，其繪示乃第3圖之資訊檢索系統於進行數位資料處理方法時之時序圖之一實施例。於本實施例中，首先，假設儲存單元324係提供了一個用於電腦裝置PC1之初始化的個體化模型Mp(.)’。
接著，伺服器320經由網路NW偵測來自電腦裝置PC之一檢索指令Q1。檢索指令Q1包含一欲檢索感知值Yq1。伺服器320會依據此欲檢索感知值Yq1，從資料庫310中對N筆資料內容S1~SN之個人感知估測值Y1p~YNp(未繪示於第4圖)進行檢索。此時，由於個體化模型Mp(.)’係為初始化，故個人感知估測值Y1p~YNp的數值係相等於一般模型M(.)所提供之一般感知估測值Y1g~YNg。
伺服器320在對個人感知估測值Y1p~YNp進行檢索時，係檢索對應至相近感知值的資料內容，例如是檢索到多筆資料內容[S2,S5,…]，其感知[Y2p,Y5p,…]皆相近於欲檢索感知值Yq1。之後，伺服器320將檢索結果(如資料內容[S2,S5,…])提供給電腦裝置PC1。
接著，電腦裝置PC1的使用者便可針對資訊檢索系統300所提供的多筆資料內容[S2,S5,…]來進行回饋，而提供一回饋指令F1。此回饋指令F1包含對應於N筆資料內容S1~SN中之至少一第i筆資料內容Si的至少一回饋感知值Yif，其中，i為小於或等於N之自然數。
舉例來說，針對資訊檢索系統300所提供的多筆資料內容[S2,S5,…]，此回饋指令F1包含第2筆資料內容S2的一回饋感知值Y2f、及第5筆資料內容S5的一回饋感知值Y5f，此時，處理單元322便會回應於此回饋指令F1，來對個體化模型Mp(.)進行訓練。此外，在另一實施例中，亦可能在得到一定數目的回饋感知值之後，才進行訓練；例如，在得到5或10筆資料內容之回饋以後，始進行訓練。
請參照第5B圖，其繪示乃第3圖之處理單元322回應於回饋指令F1，來對個體化模型Mp(.)進行訓練時之訓練過程之示意圖之一例。在偵測此回饋指令F1之後，處理單元322更用以依據回饋感知值Yif與一對應於此被回饋之第i筆資料內容Si之一般感知值Yit之間的比較結果，決定一殘差(residual)感知值Ri。
舉例來說，一般感知值Yit可依據第i筆資料內容Si之此些預設感知值Yi1~Yiu而得。而回饋感知值Yif與一般感知值Yit的比較結果例如是兩者的距離，例如是一維之差值、或二維之歐基里得距離。於一實施例中，此一般感知值Yit例如是第i筆資料內容Si的多個預設感知值Yi1~Yiu之一平均值。然亦不限於此，一般感知值Yit亦可為其他可代表此些預設感知值Yi1~Yiu之一數值。
之後，處理單元322另用以針對第i筆資料內容Si，依據對應之特徵Xi及對應之殘差感知值Ri，對個體化模型Mp(.)進行訓練而改變個體化模型Mp(.)的模型參數。此時，所謂的訓練例如係意指，使得Mp(Xi)與殘差感知值Ri之誤差成為最小化，其中i係依據使用者的回饋而得。
以第2筆資料內容S2為例，處理單元322依據回饋感知值Y2f及第2筆資料內容S2之一般感知值Y2t(如預設感知值Y21~Y2u的平均值)之間的差值，來決定一殘差感知值R2。當然，第5筆資料內容S5的殘差感知值R5亦可以相仿的方式來取得。之後，處理單元322針對此兩資料內容S2及S5，依據對應之特徵X2及X5及對應之殘差感知值R2及R5，分別對個體化模型Mp(.)進行訓練，以使Mp(Xi)與殘差感知值Ri之誤差成為最小化，其中i於訓練過程中係依序指定為2及5。
如此，依據電腦裝置PC1之使用者的回饋，本實施例可對個體化模型進行訓練，使其能代表N筆資料內容中之至少一第i筆資料內容所對應之特徵及所對應之一殘差感知值之間的對應關係，而能夠針對一個資料內容來提供對應的一殘差感知估測值。
本實施例在依據使用者的回饋而對個體化模型進行訓練後，可重新決定出N筆資料內容S1~SN所對應的個人感知估測值Y1p~YNp。舉例來說，請參照第5C圖，其繪示乃依據第5A圖之一般模型及第5B圖之個體化模型，以決定N筆資料內容之個人感知估測值之一例。於此例中，處理單元322至少依據一般模型M(.)及訓練後之個體化模型Mp(.)，以決定N筆資料內容中之各筆資料內容的個人感知估測值。例如，處理單元322可依序決定一第j筆資料內容Sj的個人感知估測值Yjp，其中，j為小於或等於N之自然數。
更詳細地說，於一實施例中，處理單元322在決定第j筆資料內容Sj的個人感知估測值Yjp時，可判斷第j筆資料內容是否為電腦裝置PC1之使用者曾經提供過回饋感知值的一筆資料內容，並依據判斷結果來決定個人感知估測值Yjp。
若判定使用者不曾對第j筆資料內容提供回饋感知值，則處理單元322係經由一般模型M(.)取得第j筆資料內容Sj所對應的一般感知估測值Yjg，並經由訓練後之個體化模型Mp(.)取得第j筆資料內容Sj所對應的殘差感知估測值Yjr。之後，處理單元322更依據一般感知估測值Yjg及殘差感知估測值Yjr之和，決定第j筆資料內容Sj的個人感知估測值Yjp。
若判定使用者曾經對第j筆資料內容提供回饋感知值，則處理單元322依據回饋感知值Yif，以決定第j筆資料內容Sj的個人感知估測值Yjp。例如，可以回饋感知值Yif作為此第j筆資料內容Sj的個人感知估測值。
如此，如第4圖所示，在重新決定出個人感知估測值Y1p~YNp後，伺服器320會將個人感知估測值Y1p~YNp儲存至資料庫310，並對應至各N筆資料內容S1~SN以供檢索。如此，伺服器320便能以一般模型及訓練後的個體化模型來提供電腦裝置PC1資訊檢索的服務。
之後，如第4圖所示，若處理單元322更偵測到一檢索指令Q2，此檢索指令Q2包含一欲檢索感知值Yq2，則處理單元322會依據欲檢索感知值Yq2，再次對N筆資料內容之個人感知估測值Y1p~YNp進行檢索。
如此，電腦裝置PC1的使用者便可再依據伺服器320所提供的檢索結果來進行回饋，以使伺服器320針對此回饋對個體化模型Mp(.)再次進行訓練。如此，使用者提供愈多的回饋，便能使伺服器320提供愈接近使用者預期的檢索結果，增加伺服器320的估測準確性，進而提高資訊檢索的效能。
此外，於實作中，上述之感知例如是一維之數值，例如表示從悲傷至快樂之感知，以0至1之值表示之，而使用者所提供的評鑑例如係介於-1及1。於其他實施例中，感知亦可以用二維的方式來代表，而每一維度的數值則可代表一種特定的感知。此時，當伺服器在供使用者進行資訊檢索時，便可提供一二維的圖形化使用者介面(graphical user interface)，其例如係相關於如第1圖所示之用於情感標定之二維的價-激發情感平面，以供使用者進行點選，而使用者所選擇的每個點皆對應至平面座標的一輸入點。相仿地，各資料內容的二維個人感知估測值亦可對應至平面座標的一點待測點。在其他實施例中，亦可改以輸入兩個數值或以兩滑桿之使用者介面，以輸入二維個人感知估測值。如此，伺服器在檢索時，便能依據輸入點與待測點之間的距離，來找出距離較近的待測點。
於一實施例中，數位資料處理方法及資訊檢索系統亦可用以決定新的一筆待測資料內容的個人感知估測值。所謂新的一筆待測資料內容係指，此筆待測資料內容為與資料庫310所儲存之N筆資料內容S1~SN不同的一筆資料內容。此時，伺服器320決定個人感知估測值的方式，係相仿於第5圖之決定個人感知估測值Yjp的方式。換言之，伺服器320更用以對此筆新的待測資料內容進行特徵擷取，以取得此筆待測資料內容之特徵。之後，伺服器320依據此筆待測資料內容之特徵及一般模型M(.)，取得待測資料內容所對應之一一般感知估測值。然後，伺服器320依據此筆待測資料內容之特徵及個體化模型Mp(.)，取得此待測資料內容所對應之一殘差感知估測值。最後，伺服器320再依據一般感知估測值及殘差感知估測值之和，來決定待測資料內容的個人感知估測值。
於本發明上述實施例之說明中，當一般模型及個體化模型被進行訓練時，兩模型例如係以支援向量迴歸(support vector regression,SVM)而被訓練。然亦不限於此，此處所揭露之用於資訊檢索之數位資料處理方法與資訊檢索系統應可以機器學習之任何方法，例如迴歸分析、人工智慧演算法、基因演算法、或類神經網路，來對一般模型及個體化模型進行訓練，以學習各資料內容之特徵及感知之間的關係。
例如，於一實施例中，一般模型及個體化模型可以用線性迴歸分析方式來決定。在另一實施例中，一般模型則可包括多個用於各個預設感知值的迴歸模型、及一個用以估測最終結果之超迴歸(super regression)模型。於實作中，此一般模型係可被稱之為使用者袋(bag-of-user)模型。以上述之由使用者User1~Useru進行標定之實施例為例。於此使用者袋模型中，係使用各個使用者之標定來取得一袋(即多個)模型，之後，本實施例再集合此些模型，而使用了一超迴歸模型來產生一般感知估測值。請參照第5D圖，其繪示乃一般模型之訓練過程之示意圖之另一例。多個迴歸模型為M1(.)~Mu(.)，多個迴歸模型M1(.)~Mu(.)之估測結果Yi*=Yi1p~Yiup，其中，Yi1p~Yiup分別為多個迴歸模型M1(.)~Mu(.)依據資料內容Si之特徵Xi之估測結果，即M1(xi)~Mu(xi)。令超迴歸模型表示為M*(.)，則於超迴歸模型進行訓練之一實施例中，例如係使得M*(Yi*)與預設感知值Yi1~Yiu的平均值之間的誤差成為最小化。如此，超迴歸模型所產生的一般感知估測值係可視為u個使用者User1~Useru之意見的集合。
此外，若資訊檢索系統300將電腦裝置PC1~PCn之使用者所適用的個人感知估測值全部儲存於資料庫310，資料庫310將需具備較大的儲存空間。故此，為了避免使用大容量的資料庫310，於另一實施例中，處理單元322還可比對電腦裝置PC1~PCn之使用者所適用的個人感知估測值，以將個人感知估測值分類。例如，處理單元322可藉由比對個人感知估測值之餘弦相似度(cosine similarity)將其等分成M類(如100類)。如此，資料庫310只需儲存這M類的個人感知估測值。之後，當有另一電腦裝置之使用者提供其回饋時，處理單元322會判斷此使用者所適用的個人感知估測值是屬於此M類的個人感知估測值中的哪一類，而選擇對應的個體化模型以提供服務。
於上述所揭露之說明中，本發明實施例之資訊檢索系統係使用了結合一般模型及個體化模型的兩階層式結構。於一範例性之實施例中，一般模型可以非即時(off-time)的方式來預先進行訓練，並可視為一個著重在學習各個資料內容(如音樂)的特性與一般感知值之關係的模型。個體化模型則是以即時(on-line)的方式來回應於使用者的回饋而進行訓練，並可視為一個著重在學習使用者之個人特性(如個人與一般大眾之殘差)的模型。如此，資訊檢索系統可經由一般模型及訓練後的個體化模型因應資料內容和不同的使用者來進行估測，而可被視為一個用以模擬個體差異之個人化資訊檢索系統。
當然，於其他實施例中，一般模型亦可以在相仿於個體化模型以即時方式來建立資料內容與一般感知值之間的關係，讓多個使用者提供對一些資料內容作出評鑑。例如，一個使用者對於各資料內容所提供的回饋感知值，可作為其他使用者對於此資料內容的一般感知值或預設感知值。如此，若某一使用者提供其之回饋時，則對其他使用者而言，此回饋可用來對一般模型進行訓練。然本發明亦不限於此，只要能經由使用者的回饋而以模擬個體差異的方式來進行個體化模型的訓練，並依據此個體化模型及一般化模型來得到適於此使用者的個人化感知估測值，皆屬可行之實施例。
另外，上述的實施例中，雖然以使用者的欲檢索感知值為例，說明如何檢索出相關的資料內容，但依據本發明之其他實施例，亦可將欲檢索感知值配合其他參數的條件，如關鍵字或內容特徵值，以進行有關感知的條件式的檢索，例如類似布林運算元檢索(Boolean search)的方式進行有關感知的檢索。例如，以一維的感知，從悲傷至快樂之感知如以0至1之值表，取一值0.8表示時，可配合至少一關鍵字，如歌手名稱：「John Lennon」，或特徵值：如「快節奏」，以從符合上述其他參數的資料內容中，進行有關感知值為0.8的檢索，以找出適合的資料內容。故此，在其他實施例中，而伺服器320更可進行有關感知的條件式檢索；而相對應的檢索指令，除了包含至少一欲檢索感知值之外，更可包含檢索的參數或檢索條件。
此外，依據上述第3圖之檢索系統之實施例，在一些實施例中，伺服器320可實施為資料內容的提供網站或搜尋網站；而上述之使用者終端裝置，如電腦裝置或手持裝置，可以利用網頁瀏覽程式或具有與伺服器320通訊功能之程式(如iTunes之類的程式)與伺服器320進行互動及搜尋，甚至下載或播放資料內容之動作；至於網路NW，可實施為有線或無線網路，如區域網路、網際網路或行動通訊網路。在其他實施例中，資料庫310及伺服器320可為一整合之系統，或可分離而處於遠端而運作。在另外的實施例中，依據本發明之資訊檢索系統亦可實施為一獨立的系統或裝置或包含於一裝置中如點唱機或伴唱機中，供使用者進行檢索、甚至播放檢索結果之用。
第3圖之資訊檢系統係以實施於伺服器為例做說明，然本發明亦不限於此。於本發明之另一實施例中，資訊檢索系統例如但不受限地可實施為手持式之電子裝置，例如行動手機、個人數位助理(personal digital assistant,PDA)、多媒體播放器、iPhone、iPod、或其他具有通常知識者知可思及之物品。
請參照第6圖，其繪示乃本發明另一實施例之資訊檢索系統之方塊圖。於此例中，資訊檢索系統600可實施為上述之手持式電子裝置，其包括一儲存單元610及一處理單元620。相較於第3圖之有關伺服器的資訊檢索系統300，於此例中，儲存單元610具有儲存單元320及/或資料庫310之功能，而處理單元620則是具有處理單元322之功能。
舉例來說，處理單元620可偵測一檢索指令Q1。檢索指令包含一使用者之一欲檢索感知值Yq1。之後，處理單元620更回應於檢索指令Q1，檢索儲存於處理單元610之N筆資料內容之多筆個人感知估測值，以找出符合此使用者之欲檢索感知值的至少一筆資料內容。其中，依據上述之實施例所揭露之一般模型與個體化模型之實施作法，各筆個人感知估測值可表示為使用者對於各筆資料內容之主觀觀念的估測值。如此，處理單元620便能以顯示器(未繪示)及揚聲器(未繪示)之至少之一或其他之實施方式，來呈現至少一筆資料內容，以提供符合使用者所期望的一筆資料內容。
本發明實施例另揭露一種電腦可讀式資訊儲存媒體，其上儲存有程式，此程式可用於執行本發明實施例的用於資訊檢索的數位資料處理方法。本實施例的電腦可讀式資訊儲存媒體比如包括CD、DVD、HD-DVD、或藍光DVD。磁式資訊儲存媒體比如包括軟碟機、硬碟機、磁帶機、或磁光碟機(Magnetic Optical)。此外，電腦裝置可讀式資訊儲存媒體亦包括可在網路/傳遞媒介(如空氣等)上傳遞的程式碼等。
本發明上述實施例所揭露之用於資訊檢索之數位資料處理方法及其電腦裝置可讀式資訊儲存媒體與資訊檢索系統，可經由使用者的回饋，而藉由模擬個體殘差的方式來進行個體化模型的訓練。之後，依據此個體化模型及一般化模型，便可得到適於此使用者的個人化感知估測值。如此，將能提高估測的準確性，進而提高資訊檢索的效能。
綜上所述，雖然本發明已以實施例揭露如上，然其並非用以限定本發明。本發明所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾。因此，本發明之保護範圍當視後附之申請專利範圍所界定者為準。
300、600．．．資訊檢索系統
310．．．資料庫
320．．．伺服器
322、620．．．處理單元
324、610．．．儲存單元
M(.)．．．一般感知值模型
Mp(.)．．．個體化感知模型
S1~SN．．．資料內容
F1．．．回饋指令
NW．．．網路
PC1~PCn．．．電腦裝置
Q1、Q2．．．檢索指令
Ri、R2、R5．．．殘差感知值
S210~S250．．．流程步驟
Yq1、Yq2．．．欲檢索感知值
Yip．．．個人感知估測值
Yig．．．一般感知估測值
Yif．．．回饋感知值
Yjr．．．殘差感知估測值
Yit．．．一般感知值
Yi1~Yiu．．．預設感知值
X1~XN．．．特徵
第1圖繪為用於情感標定之二維價-激發情感平面之示意圖。
第2圖繪示依照本發明一實施例之數位資料處理方法之流程圖。
第3圖繪示乃本發明一實施例之資訊檢索系統之方塊圖。
第4圖繪示乃第3圖之資訊檢索系統於進行數位資料處理方法時之時序圖之一實施例。
第5A圖繪示乃一般模型之訓練過程之示意圖之一例。
第5B圖繪示乃個體化模型之訓練過程之示意圖之一例。
第5C圖繪示乃依據第5A圖之一般模型及第5B圖之個體化模型，以決定N筆資料內容之個人感知估測值之一例。
第5D圖繪示乃一般模型之訓練過程之示意圖之另一例。
第6圖繪示乃本發明另一實施例之資訊檢索系統之方塊圖
600．．．資訊檢索系統
610．．．儲存單元
620．．．處理單元
Q1．．．檢索指令
Yq1．．．欲檢索感知值
Claims (28)
- 一種檢索系統之數位資料處理方法，包括：偵測一檢索指令，該檢索指令包含一使用者之一欲檢索感知值；回應於該檢索指令，檢索複數筆資料內容之複數筆個人感知估測值以找出符合該使用者之該欲檢索感知值的至少一筆資料內容，其中各筆個人感知估測值表示為該使用者對於各筆資料內容之主觀觀念的估測值；以及呈現該至少一筆資料內容；其中，決定該些個人感知估測值之步驟包括：依據一一般模型取得該筆資料內容的一一般感知估測值；依據一個體化模型取得該筆資料內容的一殘差感知估測值；以及依據該一般感知估測值及該殘差感知估測值之和來決定該筆資料內容的個人感知估測值。
- 如申請專利範圍第1項所述之數位資料處理方法，其中，於檢索該些個人感知估測值以找出該至少一筆資料內容之步驟中，係依據該欲檢索感知值與各筆資料內容的個人感知估測值之間的距離來找出。
- 如申請專利範圍第1項所述之數位資料處理方法，更包括：偵測一回饋指令，該回饋指令包含該使用者對於該些資料內容之至少一筆資料內容的至少一回饋感知值；依據該回饋感知值與該一般感知值之間的比較結 果，決定該殘差感知值；以及針對被回饋之各筆資料內容，依據對應之特徵及對應之該殘差感知值，對該個體化模型進行訓練。
- 如申請專利範圍第3項所述之數位資料處理方法，其中，決定該些個人感知估測值之步驟包括：依據該回饋感知值，以決定被回饋之該筆資料內容的個人感知估測值。
- 如申請專利範圍第1項所述之數位資料處理方法，其中，該些資料內容包括複數種多媒體檔案，該些多媒體檔案包括音樂、影像、視訊、或文字之檔案。
- 如申請專利範圍第5項所述之數位資料處理方法，其中，各個音樂檔案之特徵包括節奏、音調、或梅爾刻度倒頻譜參數(Mel-frequency Cepstral Coefficient,MFCC)。
- 一種電腦可讀式資訊儲存媒體，用以儲存複數個電腦指令，當一電子裝置執行該些電腦指令後，執行如申請專利範圍第1項所述之檢索系統之數位資料處理方法。
- 一種檢索系統之數位資料處理方法，包括：偵測至少一回饋指令，該回饋指令包含至少一回饋感知值，該至少一回饋感知值係對應於一使用者之複數筆資料內容中之至少一筆資料內容；依據該回饋感知值與對應之一一般感知值之間的比較結果，決定一殘差(residual)感知值；針對回饋感知值對應之該至少一筆資料內容，依據對應之特徵及對應之該殘差感知值，對一個體化模型進行訓 練；以及至少依據至少一一般模型及訓練後之該個體化模型，決定各筆資料內容之個人感知估測值，並據以提供資訊檢索的服務，其中各筆個人感知估測值表示為該使用者對於各筆資料內容之主觀觀念的估測值。
- 如申請專利範圍第8項所述之檢索系統之數位資料處理方法，其中，決定個人感知估測值之步驟包括：經由該一般模型取得部分之資料內容所各自對應的一一般感知估測值；經由訓練後之該個體化模型取得該部分之資料內容所各自對應的一殘差感知估測值；以及依據該一般感知估測值及該殘差感知估測值之和，決定至少部分之資料內容的個人感知估測值。
- 如申請專利範圍第8項所述之檢索系統之數位資料處理方法，其中，決定個人感知估測值之步驟更包括：依據該回饋感知值，以決定被回饋之該筆資料內容的個人感知估測值。
- 如申請專利範圍第8項所述之檢索系統之數位資料處理方法，其中，提供資訊檢索的服務之步驟包括：偵測一檢索指令，該檢索指令包含一使用者之一欲檢索感知值；以及回應於該檢索指令，檢索該些資料內容之個人感知估測值以找出符合該使用者之該欲檢索感知值的至少一筆資料內容。
- 如申請專利範圍第8項所述之檢索系統之數位資 料處理方法，更包括：提供該一般模型，該一般模型代表各該些筆資料內容所對應之特徵及所對應之複數個預設感知值之間的對應關係，其中，該一般感知值相關於該些預設感知值之一平均值。
- 如申請專利範圍第8項所述之檢索系統之數位資料處理方法，其中，該些資料內容包括複數個檔案，該些檔案係選自由音樂、影像、視訊、及文字之檔案之至少其中之一所組成的群組。
- 如申請專利範圍第8項所述之檢索系統之數位資料處理方法，其中，該些資料內容包括音樂檔案，而各個音樂檔案之特徵包括節奏、音調、或梅爾刻度倒頻譜參數(Mel-frequency Cepstral Coefficient,MFCC)。
- 如申請專利範圍第8項所述之檢索系統之數位資料處理方法，其中，該個體化模型係以支援向量迴歸(support vector regression,SVM)而被訓練。
- 如申請專利範圍第8項所述之檢索系統之數位資料處理方法，更用以決定新的一筆待測資料內容的個人感知估測值，該方法更包括：取得該筆待測資料內容之特徵；依據該筆待測資料內容之特徵及該一般模型，取得該待測資料內容所對應之一一般感知估測值；依據該筆待測資料內容之特徵及該個體化模型，取得該待測資料內容所對應之一殘差感知估測值；以及依據該一般感知估測值及該殘差感知估測值之和，來 決定該待測資料內容的個人感知估測值。
- 一資訊檢索系統，包括：一儲存單元，用以儲存複數筆資料內容及對應的複數筆個人感知估測值，其中各筆個人感知估測值表示為一使用者對於各筆資料內容之主觀觀念的估測值；以及一處理單元，用以偵測一檢索指令，該檢索指令包含該使用者之一欲檢索感知值；其中，該處理單元更用以回應於該檢索指令，檢索該些筆資料內容之複數筆個人感知估測值以找出符合該使用者之該欲檢索感知值的至少一筆資料內容，並呈現該至少一筆資料內容，其中，該處理單元依據決定該些個人感知估測值時，係用以：依據該一般模型取得一筆資料內容的一一般感知估測值；依據該個體化模型取得一筆資料內容的一殘差感知估測值；以及依據該一般感知估測值及該殘差感知估測值之和來決定該筆資料內容的個人感知估測值。
- 如申請專利範圍第17項所述之資訊檢索系統，其中，該處理單元於檢索該些個人感知估測值以找出該至少一筆資料內容時，係依據該欲檢索感知值與各筆資料內容的個人感知估測值之間的距離來找出。
- 如申請專利範圍第17項所述之資訊檢索系統，其中，該該處理單元更用以： 偵測一回饋指令，該回饋指令包含該使用者對於該些資料內容之至少一筆資料內容的至少一回饋感知值；依據該回饋感知值與一一般感知值之間的比較結果，決定一殘差感知值；以及針對被回饋之各筆資料內容，依據對應之特徵及對應之該殘差感知值，對該個體化模型進行訓練。
- 如申請專利範圍第19項所述之資訊檢索系統，其中，該處理單元於決定該些個人感知估測值時，係用以依據該回饋感知值，以決定被回饋之該筆資料內容的個人感知估測值。
- 如申請專利範圍第17項所述之資訊檢索系統，其中，該些資料內容包括複數種多媒體檔案，該些多媒體檔案包括音樂、影像、視訊、或文字之檔案。
- 如申請專利範圍第21項所述之資訊檢索系統，其中，各個音樂檔案之特徵包括節奏、音調、或梅爾刻度倒頻譜參數(Mel-frequency Cepstral Coefficient,MFCC)。
- 一種電腦可讀式資訊儲存媒體，用以儲存複數個電腦指令，當一電子裝置執行該些電腦指令後，執行如申請專利範圍第17項所述之檢索系統之數位資料處理方法。
- 一資訊檢索系統，包括：一資料庫，用以儲存複數筆資料內容及對應的複數個個人感知估測值，其中各筆個人感知估測值表示為該使用者對於各筆資料內容之主觀觀念的估測值；一儲存單元，該儲存單元儲存有至少一一般模型的模型參數及一個體化模型的模型參數，該一般模型代表各該 些資料內容所對應之特徵及所對應之複數個預設感知值之間的對應關係；以及一處理單元，該處理單元用以偵測一回饋指令，該回饋指令包含對應於一使用者之該些筆資料內容中之至少一筆資料內容的至少一回饋感知值；其中，該處理單元更用以依據該回饋感知值與對應於被回饋之該筆資料內容之一一般感知值之間的比較結果，決定一殘差(residual)感知值，其中，該一般感知值依據被回饋之該筆資料內容之該些預設感知值而得；其中，該處理單元另用以針對回饋感知值對應之該至少一筆資料內容，依據對應之特徵及對應之該殘差感知值，對該個體化模型進行訓練而改變該個體化模型的模型參數；其中，該處理單元並用以至少依據該一般模型及訓練後之該個體化模型決定各筆資料內容之個人感知估測值，並據以提供資訊檢索的服務。
- 如申請專利範圍第24項所述之資訊檢索系統，其中，該處理單元在決定各筆資料內容的個人感知估測值時，該處理單元係經由該一般模型取得各筆資料內容所各自對應的一一般感知估測值，並經由訓練後之該個體化模型取得各筆資料內容所各自對應的一殘差感知估測值，且該處理單元更依據該一般感知估測值及該殘差感知估測值之和，決定各筆資料內容的個人感知估測值。
- 如申請專利範圍第24項所述之資訊檢索系統，其中，該處理單元更依據該回饋感知值，以決定被回饋之 該筆資料內容的個人感知估測值。
- 如申請專利範圍第24項所述之資訊檢索系統，其中，該處理單元更用以偵測一檢索指令，該檢索指令包含一使用者之一欲檢索感知值；其中，該處理單元更回應於該檢索指令，檢索該些資料內容之個人感知估測值以找出符合該使用者之該欲檢索感知值的至少一筆資料內容。
- 如申請專利範圍第24項所述之資訊檢索系統，其中，該一般感知值相關於該些預設感知值之一平均值。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW098124627A TWI396105B (zh) | 2009-07-21 | 2009-07-21 | 用於模擬個體差異之個人化資訊檢索之數位資料處理方法及其電腦裝置可讀式資訊儲存媒體與資訊檢索系統 |
| US12/839,637 US8321412B2 (en) | 2009-07-21 | 2010-07-20 | Digital data processing method for personalized information retrieval and computer readable storage medium and information retrieval system thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW098124627A TWI396105B (zh) | 2009-07-21 | 2009-07-21 | 用於模擬個體差異之個人化資訊檢索之數位資料處理方法及其電腦裝置可讀式資訊儲存媒體與資訊檢索系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201104466A TW201104466A (en) | 2011-02-01 |
| TWI396105B true TWI396105B (zh) | 2013-05-11 |
Family
ID=43498196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW098124627A TWI396105B (zh) | 2009-07-21 | 2009-07-21 | 用於模擬個體差異之個人化資訊檢索之數位資料處理方法及其電腦裝置可讀式資訊儲存媒體與資訊檢索系統 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US8321412B2 (zh) |
| TW (1) | TWI396105B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201022968A (en) * | 2008-12-10 | 2010-06-16 | Univ Nat Taiwan | A multimedia searching system, a method of building the system and associate searching method thereof |
| KR20130055748A (ko) * | 2011-11-21 | 2013-05-29 | 한국전자통신연구원 | 콘텐츠 추천 시스템 및 방법 |
| CN102495873B (zh) * | 2011-11-30 | 2013-04-10 | 北京航空航天大学 | 一种基于视频情感特征与会话模型的视频推荐方法 |
| US9263060B2 (en) | 2012-08-21 | 2016-02-16 | Marian Mason Publishing Company, Llc | Artificial neural network based system for classification of the emotional content of digital music |
| TWI485635B (zh) * | 2013-01-30 | 2015-05-21 | Nat Univ Tainan | 年齡評估系統與方法 |
| ITMI20130609A1 (it) * | 2013-04-12 | 2014-10-13 | Rolic Internat S A R L | Carrello per impianti di trasporto a fune e impianto di trasporto a fune comprendente tale carrello |
| US9811778B2 (en) * | 2013-10-25 | 2017-11-07 | International Business Machines Corporation | Social collaboration in probabilistic prediction |
| US20150324688A1 (en) * | 2014-05-12 | 2015-11-12 | Qualcomm Incorporated | Customized classifier over common features |
| US10402469B2 (en) | 2015-10-16 | 2019-09-03 | Google Llc | Systems and methods of distributed optimization |
| US20180089587A1 (en) | 2016-09-26 | 2018-03-29 | Google Inc. | Systems and Methods for Communication Efficient Distributed Mean Estimation |
| US11196800B2 (en) | 2016-09-26 | 2021-12-07 | Google Llc | Systems and methods for communication efficient distributed mean estimation |
| US10769549B2 (en) | 2016-11-21 | 2020-09-08 | Google Llc | Management and evaluation of machine-learned models based on locally logged data |
| CN111462865A (zh) * | 2020-02-28 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 医疗影像识别模型生成方法、装置、计算机设备和介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6408293B1 (en) * | 1999-06-09 | 2002-06-18 | International Business Machines Corporation | Interactive framework for understanding user's perception of multimedia data |
| TW200615808A (en) * | 2004-11-09 | 2006-05-16 | jing-bai Li | Method of surveying ad delivery rating and rewarding ad viewers |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2617413B2 (ja) | 1993-04-09 | 1997-06-04 | 株式会社ジャパンエナジー | 動力発生装置 |
| JP2785113B2 (ja) | 1995-04-25 | 1998-08-13 | 株式会社ジャパンエナジー | 循環装置 |
| US6185534B1 (en) * | 1998-03-23 | 2001-02-06 | Microsoft Corporation | Modeling emotion and personality in a computer user interface |
| US6146103A (en) | 1998-10-09 | 2000-11-14 | The Regents Of The University Of California | Micromachined magnetohydrodynamic actuators and sensors |
| US6221260B1 (en) | 1999-04-02 | 2001-04-24 | Dynaflow, Inc. | Swirling fluid jet cavitation method and system for efficient decontamination of liquids |
| US6306424B1 (en) | 1999-06-30 | 2001-10-23 | Ethicon, Inc. | Foam composite for the repair or regeneration of tissue |
| TWI221574B (en) * | 2000-09-13 | 2004-10-01 | Agi Inc | Sentiment sensing method, perception generation method and device thereof and software |
| US6622140B1 (en) * | 2000-11-15 | 2003-09-16 | Justsystem Corporation | Method and apparatus for analyzing affect and emotion in text |
| JP2004534274A (ja) * | 2001-03-23 | 2004-11-11 | インスティチュート・フォー・インフォコム・リサーチ | 内容ベースのマルチメディア情報検索で使用するためデジタル表示で音楽情報を表示する方法およびシステム |
| EP1256937B1 (en) * | 2001-05-11 | 2006-11-02 | Sony France S.A. | Emotion recognition method and device |
| US6821479B1 (en) | 2001-06-12 | 2004-11-23 | The University Of Akron | Preservation of biological materials using fiber-forming techniques |
| TW538004B (en) | 2002-04-10 | 2003-06-21 | Gongin Prec Ind Co Ltd | Micro flow channel system for a matrix biochip |
| JP4204839B2 (ja) * | 2002-10-04 | 2009-01-07 | 株式会社エイ・ジー・アイ | 発想モデル装置、自発感情モデル装置、発想のシミュレーション方法、自発感情のシミュレーション方法、およびプログラム |
| TWI270524B (en) | 2004-12-21 | 2007-01-11 | Univ Nat Cheng Kung | Micromixer |
| TWI267619B (en) | 2006-01-24 | 2006-12-01 | Far East College | An eddy air-current generator |
-
2009
- 2009-07-21 TW TW098124627A patent/TWI396105B/zh not_active IP Right Cessation
-
2010
- 2010-07-20 US US12/839,637 patent/US8321412B2/en not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6408293B1 (en) * | 1999-06-09 | 2002-06-18 | International Business Machines Corporation | Interactive framework for understanding user's perception of multimedia data |
| TW200615808A (en) * | 2004-11-09 | 2006-05-16 | jing-bai Li | Method of surveying ad delivery rating and rewarding ad viewers |
Non-Patent Citations (1)
| Title |
|---|
| Mark D. Korhonen, David A. Clausi, Senior Member, IEEE, and M. Ed Jernigan, Member, IEEE, "Modeling Emotional Content of Music Using System Identification", IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART B: CYBERNETICS, VOL. 36, NO. 3, JUNE 2006 * |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201104466A (en) | 2011-02-01 |
| US20110022615A1 (en) | 2011-01-27 |
| US8321412B2 (en) | 2012-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI396105B (zh) | 用於模擬個體差異之個人化資訊檢索之數位資料處理方法及其電腦裝置可讀式資訊儲存媒體與資訊檢索系統 | |
| US11461388B2 (en) | Generating a playlist | |
| Kaminskas et al. | Location-aware music recommendation using auto-tagging and hybrid matching | |
| JP6657124B2 (ja) | 会話理解システムのためのセッションコンテキストモデリング | |
| US20210256056A1 (en) | Automatically Predicting Relevant Contexts For Media Items | |
| US8112418B2 (en) | Generating audio annotations for search and retrieval | |
| US10129314B2 (en) | Media feature determination for internet-based media streaming | |
| JP5359534B2 (ja) | 情報処理装置および方法、並びにプログラム | |
| US20080040362A1 (en) | Hybrid audio-visual categorization system and method | |
| Chang et al. | Music recommender using deep embedding-based features and behavior-based reinforcement learning | |
| US9576050B1 (en) | Generating a playlist based on input acoustic information | |
| CN115428469A (zh) | 用于无声视频的ai辅助音效生成 | |
| KR101942459B1 (ko) | 음원 컨텐츠 및 메타 정보를 이용한 플레이리스트 자동 생성 방법 및 시스템 | |
| US20240114158A1 (en) | Hierarchical Video Encoders | |
| US20090132508A1 (en) | System and method for associating a category label of one user with a category label defined by another user | |
| Yang | [Retracted] Research on Music Content Recognition and Recommendation Technology Based on Deep Learning | |
| JP4054046B2 (ja) | 意見性判定データベース作成方法及び装置及びプログラム及び意見性判定方法及び装置及びプログラム及びコンピュータ読み取り可能な記録媒体 | |
| Rıad et al. | Developing music recommendation system by integrating an MGC with deep learning techniques | |
| Jitendra et al. | An ensemble model of CNN with Bi-LSTM for automatic singer identification | |
| KR102031282B1 (ko) | 음원 컨텐츠 및 메타 정보를 이용한 플레이리스트 자동 생성 방법 및 시스템 | |
| CN114254205A (zh) | 一种基于音乐多模态数据的用户长短期偏好推荐预测方法 | |
| Hou | Music content personalized recommendation system based on a convolutional neural network | |
| TWI808038B (zh) | 媒體檔案選擇方法及服務系統與電腦程式產品 | |
| KR102623449B1 (ko) | 사용자 보컬 평가 결과 맞춤형 보컬 트레이닝 서비스 제공 방법, 장치 및 시스템 | |
| Kim et al. | Emotion and Collaborative Filtering-Based Recommendation System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |