发现维基百科文章相关图片

计算机科学与探索 ›› 2011, Vol. 5 ›› Issue (7): 577-587.

发现维基百科文章相关图片

寿思聪¹, 姚从磊², 李晓明¹

1. 北京大学信息科学与技术学院, 北京 100871
2. 惠普中国实验室, 北京 100084

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-07-01 发布日期:2011-07-01

Discovering Images for Wikipedia Articles

SHOU Sicong, YAO Conglei, LI Xiaoming

1. School of Electronics Engineering and Computer Science, Peking University, Beijing 100871, China 2. HP Labs China, Beijing 100084, China

Received:1900-01-01 Revised:1900-01-01 Online:2011-07-01 Published:2011-07-01

摘要/Abstract

摘要： 维基百科(Wikipedia)提供了海量的描述著名概念的高质量文章, 丰富的图片使它们有更高的价值。但大部分Wikipedia 文章都没有图片或图很少, 为此给出了综合的框架WIMAGE 来为Wikipedia 文章发现高精度、高召回度和高多样性图片。WIMAGE 包括生成查询的方法及两种图片排序方法。采用Wikipedia中4 个常见类别的40 篇文章进行实验, 结果显示WIMAGE 能有效地为Wikipedia 文章发现高精度、高召回度以及高多样性的图片, 且同时考虑了视觉相似度和文本相似度的排序方法效果最好。

关键词: 维基百科, 图片发现, 多样性, 图片排序

Abstract:

Wikipedia provides plenty of human-edited articles for popular concepts in most domains. One Wikipedia article with high-diversity images is more valuable than that with no image. This paper proposes the problem of image discovery for Wikipedia articles with high precision, high recall and high diversity, and a general framework WIMAGE to address this problem. WIMAGE includes an approach to generate queries for different paragraphs of each Wikipedia article, and two ever-increasing methods to rank the images retrieved. This paper evaluates the effectiveness of WIMAGE using 40 Wikipedia articles from 4 popular Wikipedia categories. Experimental results show that WIMAGE is effective in discovering images for Wikipedia articles with high precision, high recall and high diversity, and the ranking method taking into account both the visual similarity and text similarity performs better.

Key words: Wikipedia article, image discovery, diversity, image ranking

寿思聪1 , 姚从磊2 , 李晓明1 . 发现维基百科文章相关图片[J]. 计算机科学与探索, 2011, 5(7): 577-587.

SHOU Sicong, YAO Conglei, LI Xiaoming. Discovering Images for Wikipedia Articles[J]. Journal of Frontiers of Computer Science and Technology, 2011, 5(7): 577-587.

[1]	王曙燕, 金航, 孙家泽. GAN图像对抗样本生成方法[J]. 计算机科学与探索, 2021, 15(4): 702-711.
[2]	孙涛，周志华. 近似多元信息多样性[J]. 计算机科学与探索, 2019, 13(4): 639-646.
[3]	和凤珍，石进平. 非均匀划分拟阵约束下的多样性推荐方法[J]. 计算机科学与探索, 2019, 13(2): 226-238.
[4]	郭晓彤，李玲燕，朱春阳. Pareto支配关系下两阶段进化高维多目标优化算法[J]. 计算机科学与探索, 2018, 12(8): 1350-1360.
[5]	李文，黄丽韶，罗恩韬. 移动医疗中个性化l-多样性匿名隐私保护模型[J]. 计算机科学与探索, 2018, 12(5): 761-768.
[6]	白晓波，邵景峰，田建刚. 改进的烟花算法优化粒子滤波研究[J]. 计算机科学与探索, 2018, 12(11): 1827-1842.
[7]	王章辉，赵宇海，王国仁，李源. 多样性度量的Top-K区分子图挖掘[J]. 计算机科学与探索, 2017, 11(9): 1379-1388.
[8]	李志杰，李元香. 求解动态优化问题的多种群热力学遗传算法[J]. 计算机科学与探索, 2014, 8(2): 179-185.
[9]	付彬, 王志海, 王中锋. 最大化边际的分类器选取算法 [J]. 计算机科学与探索, 2011, 5(1): 59-67.
[10]	魏婷,唐常杰+,王悦,段磊,张悦,巩杰. DC-GEP：基因表达式编程早熟预警——多样性贡献策略[J]. 计算机科学与探索, 2009, 3(5): 498-508.