شماره کتابشناسی ملی
شماره
۲۲۴۶۷پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
استخراج ویژگی تصاویر محبوب در شبکه‌ی اجتماعی فلیکر با به‌کارگیری رویکردهای یادگیری عمیق
عنوان اصلي به زبان ديگر
Title: Improvement of predicting of Flickr Images's Popularity with Hybrid Networks which Uses Deep Learning Approches
نام نخستين پديدآور
/شادی علیجانی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: برق وکامپیوتر
تاریخ نشرو بخش و غیره
، ۱۳۹۸
نام توليد کننده
، راشدی
مشخصات ظاهری
نام خاص و کميت اثر
۹۷ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
علوم کامپیوتر - نرم افزار
زمان اعطا مدرک
۱۳۹۸/۱۱/۱۶
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
در هر دقیقه، میلیون‌صها تصویر در شبکه‌صهای اجتماعی به اشتراک گذاشته می‌صشود .باوجوداینکه بعضی تصاویر در مدت‌زمان کم، به تعداد بازدید بسیار بالایی می‌رسند، اما تعدادی از این پست‌صهای اجتماعی کاملا نادیده گرفته می-شوند .شناخت تصاویر محبوب و استخراج ویژگی‌هایی که باعث محبوبیت این داده‌ها شده است، کمک فراوانی در جهت به‌کارگیری استراتژی‌های هدفمند برای توسعه‌دهندگان، دولت‌ها و شرکت‌های ذی‌النفع بوده و یک‌راه مؤثر برای درک مخاطبان خواهد بود .یادگیری عمیق زیرمجموعه‌ای از روش‌های یادگیری ماشین هست که عملکرد بسیار خوبی در یادگیری داده‌های پیچیده و با بعد بسیار بالا در استخراج ویژگی دارد .کارهای گذشته درزمینه‌ی استخراج ویژگی‌ها، موفقیت‌های قابل‌توجهی داشته‌اند .روش‌صهای مورداستفاده اغلب از رویکردهای یادگیری ماشین نظیر بردار پشتیبان رگرسیون، الگوریتم درخت تصمیم و مقالات اخیر از رویکردهای یادگیری عمیق بهره برده‌صاند .درواقع جهت بهبود میزان دقت پیش‌بینی، از شبکه‌های پیچیده‌تر و داده‌های بیشتر استفاده کرده‌اند .انتخاب مدل‌های مناسب برای استخراج ویژگی‌های سطح بالا و مفید از تصاویر، از اهداف اصلی کارهای گذشته بوده است .اما همواره بهبود دقت پیش‌بینی میزان بازدید تصاویر به‌خصوص در داده‌های چندبعدی مانند شبکه‌های اجتماعی از چالش‌های اصلی بوده است .جهت بهبود دقت در تشخیص میزان محبوبیت تصاویر شبکه اجتماعی، ماشین نیازمند یادگیری ویژگی‌های عمیق و مرتبطصتر مربوط به محتوای تصویر است .برای استخراج این ویژگی‌ها از رویکردهای یادگیری عمیق استفاده کرده‌ایم .هم‌صچنین در این پژوهش دو دیدگاه جدید شامل ۱) عوامل تأثیرگذار شبکه‌صهای اجتماعی نظیر ارتباط کاربرانی که تصاویر را به اشتراک گذاشته‌اند نیز در نظر گرفته‌شده است ۲) .چالش کارهای گذشته مبتنی بر اینکه زمان فاکتور مهمی در محاسبه میزان محبوبیت هست و باید در نظر گرفته شود، موردبررسی قرار گرفته‌شده است .بدین منظور در زمینه تحلیل تصاویر، از شبکه‌های کانولوشن با تعداد لایه‌های بالا و پیچیده که عملکرد بسیار خوبی در زمینه‌ی استخراج ویژگی از تصاویر را دارند، استفاده کرده‌ایم .چالش‌های موجود با توجه به ذات داده‌ها تحلیل‌شده و راهکار مناسب برای حل چالش توزیع نامتوازن داده‌ها ازجمله داده افزائی و تولید داده با استفاده از شبکه‌های مولد تخاصمی در کلاس‌های مختلف بررسی‌شده است .روش‌های جلوگیری از چالش بیش‌برازش در داده‌ها مانند نرمال‌سازی دسته‌ای و حذف تصادفی استفاده‌شده است .در نهایت مدل ترکیبی برای پیش‌بینی میزان محبوبیت داده‌ها ارائه‌شده است .معیار مورداستفاده در این پژوهش، پارامتر دقت هست .نتایج به‌دست‌آمده از مدل ارائه‌شده ترکیبی، نشان داده که این مدل علاوه بر حل چالش داده‌های پیچیده و با ابعاد بالا در شبکه‌های اجتماعی، نسبت به روش‌های قبلی، بهبود چشم‌گیری در افزایش دقت میزان پیش‌بینی محبوبیت تصاویر به میزان ۱۲ داشته است
متن يادداشت
Every minute, millions of images are shared in social networks. Although some of these images reach high view counts, but some are neglected. Detecting popular images and extracting the features, which cause this popularity, will help to use smart strategies for developer companies and governments, and will be an effective approach to understand the users. Deep learning is a subset of machine-learning methods and has a good performance in learning complicated and high-dimensional data in feature extraction. Previous works had promising prospers in this field. They often used machine-learning methods like support vector-regression and decision-tree algorithms. In recent works, deep-learning is used. Actually to improve the accuracy of prediction they used more complicated networks and more data. Selecting proper models to extract useful and high-level features from images are main goals of previous works. However, improving the accuracy of image view prediction, especially in multi-dimensional data, like social networks is always the main challenge. To improve the accuracy of popularity detection rate in social networks, the machine needs to learn deep and more related features of image content. To extract these features, we used deep-learning methods. Also two new approaches is discussed in this work, including: 1) effective factors of social networks, like the connection between users whom shared the image is also regarded. 2) The challenge of previous works, which considered time as an important factor in popularity calculation, is also regarded. For this reason, to analyze the images, we used complex convolutional networks along with multiple layers, which have good performance in computer vision. Present challenges, considering the nature of data and proper answers studied to overcome the challenge of imbalanced distributed data like data augmentation and data generation, using generating adversarial networks in different classes. To prevent over-fit in data, techniques like batch-normalization and dropout are used. Finally, a hybrid model presented to predict the data popularity The result which is achieved in this work with popular data feature extraction, is that effective social factors, like important users with numerous followers in social networks or image uploading in special times of the year, definitely could affect the popularity of image; but beside these evident factors, considering only the content of image, the presence of special objects in image compound, like human images and the composition of used colors, have an important effect in image popularity. The criterion, which used in this work, is accuracy. The results obtained from new hybrid method, reveals that this model not only solves the challenge of complex and multi-dimensional data in social networks, but also reaches an increase of 12 in accuracy of prediction, comparing to previous similar works
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Title: Improvement of predicting of Flickr Images's Popularity with Hybrid Networks which Uses Deep Learning Approches
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
علیجانی، شادی
مستند نام اشخاص تاييد نشده
Alijani, Shadi
نام شخص - ( مسئولیت معنوی درجه دوم )
مستند نام اشخاص تاييد نشده
محمد خانلی، لیلی، استاد راهنما
مستند نام اشخاص تاييد نشده
تنها، جعفر، استاد راهنما
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
