Użytkownik "123" <1...@c...com> napisał w wiadomości
news:gjttae$2r6$1@news.dialog.net.pl...
> Witam,
>
> Zastanawiam sie nad takim problemem: mamy zbior powiedzmy 20 cech ktorymi
> mozemy opisac jakis przedmiot np. jesli mamy obrazki to jego cechami moga
> byc 'widac drzewa'(1), 'widac zwierzeta'(2), 'widac morze'(3), 'widac
> statek'(4) itd. Mamy wiec taka 20-wymiarowa przestrzen cech i kazdy
> obrazek mozemy opisac 20-sto wymiarowym wektorem. Dla ulatwienia
> powiedzmy, ze obrazek moze albo miec ceche (1) albo jej nie miec (0).
>
> Mamy tez uzytkownika i mozemy stwierdzic, ze lubi on ogladac zdjecia z
> drzewami i zwierzetami ([1 1 0 0 ...]) ale tez lubi zobaczyc statek na
> morzu. ([0 0 1 1 ...]).
>
> I teraz problem: w jaki sposob teraz znalezc w duzym zbiorze zdjecia,
> ktore prawdopodobnie spodobaja sie uzytkownikowi?
>
> Pierwsze co przychodzi na mysl to policzenie 'wektora preferencji
> uzytkownika' (np. srednia arytmetyczna z ogladanych przez niego obrazkow)
> i znalezienie najblizszych mu wektorow w przestrzeni cech. Ale to raczej
> nie bedzie dzialac dobrze bo taki 'wektor preferencji' powie nam tyle, ze
> 'uzytkownik troche lubi ogladac zdjecia z drzewami, zwierzetami, morzem i
> statkiem [0.5 0.5 0.5 0.5...]'. Prawdopodobnie nalezaloby jakos zachowac
> nie tylko informacje co user lubi ale tez w jakich polaczeniach.
>
> Macie jakies pomysly? W rozwiazaniu zalezy mi bardziej na predkosci niz na
> dokladnosci ze wzgledu na bardzo duzy zbior zdjec.
>
> Pewnie sa jakies algorytmy do tego, ale najwyrazniej nie potrafie zadac
> odpowiedniego pytania guglowi.
>

Zainteresuj się metodatmi UTA i ELECTRE 1S. Robiłem dokładnie to co Ty
próbujesz zrobić na zajęciach.
linki:
http://www.cs.put.poznan.pl/iszczech/students.html - tu masz materiały na
zajęcia
http://sciaga.nauka.pl/index.php/id=index/dept=54/ca
th=221/sc_id=13062/title=Electre_Is -
tu masz coś podobnego do raportu z tych zajęc jaki też musiałem zrobić.

Nie jest to kompletne rozwiązanie Twojego problemu, ale moze pomoże. Zawsze
możesz z Panią Izą pomailować - bordzo miła kobita :)

Pozdrawiam.

M.

do góry

Czesc,

Jakub Debski pisze:
> Ale właśnie o tym pisałem odnośnie korelacji obrazków.
> Szansa występowania zwierzęcia na statku jest mała, ponieważ cechy
> występujące na obrazkach są zwykle silnie skorelowane.

Niestety nie moge z gory zalozyc, ze mamy pare grup cech ktore sie
wzajemnie wykluczaja dla jednego obrazka lub niektore cechy sa silnie
skorelowane z innymi (co oczywiscie nie oznacza, ze nie sa).

>> Jeżeli użytkownika będzie interesować operacja OR z kilku zestawów
>> preferencji, to po prostu doda sobie taki zestaw samodzielnie.
>
> Według mnie właśnie ten proces autor wątku chce zautomatyzować.

dokladnie tak.

Po porzadnym przeszukaniu googla okazalo sie, ze rozwiazanie bardzo
podobnego problemu jest wykorzystywane w genetyce przy porownywaniu
genow (ktore to koduje sie wlasnie jako wektory w n-wymiarowej przestrzeni).

Jesli ktos bylby zainteresowany poczytaniem sobie w ciemne zimowe
wieczory to polecam: http://www.cs.princeton.edu/~jbg/documents/compbio.p
df

>> To co proponujesz sprowadza się tak naprawdę do jednego wektora
>> preferencji, a tu uzytkownik może podać wiele. I powinno się sprawdzać
>> każdy z wektorów z osobna, a potem wziąć minimalną znalezioną odległość.
>
> To też dobry pomysł - można oceniać X ostatnio oglądanych obrazków i
> szukać im podobnych. Uwzględni to zmianę preferencji użytkownika w czasie.

I tak prawodpodobnie zrobie, przy czym dodatkowo zrobie wykrywanie
'zmiany preferencji' (wektor poszukiwan bardzo odlegly od poprzedniego).
Bede trzymal sobie kilka ostatnich wektorow i do proponowanych rzeczy
bede wybieral bliskie jednemu z nich.

Dzieki wszystkim za odpowiedzi i pozdrawiam,
123

do góry

Witam,

> Pewnie sa jakies algorytmy do tego, ale najwyrazniej nie potrafie zadac
> odpowiedniego pytania guglowi.

Klasteryzacja i klasyfikacja za pomoca SVM.
Dobrze dziala libsvm (dla jezykow C-like) [1].

[1] http://www.csie.ntu.edu.tw/~cjlin/libsvm/

Pozdrawiam,
Seweryn Habdank-Wojewodzki.

do góry

>
> I teraz problem: w jaki sposob teraz znalezc w duzym zbiorze zdjecia,
> ktore prawdopodobnie spodobaja sie uzytkownikowi?
>

zbuduj siec neuronowa i naucz odpowiednio neurony

do góry

Radoslaw Jocz rzecze:

>> I teraz problem: w jaki sposob teraz znalezc w duzym zbiorze zdjecia,
>> ktore prawdopodobnie spodobaja sie uzytkownikowi?
>>
>
> zbuduj siec neuronowa i naucz odpowiednio neurony

To jest miś na miarę naszych możliwości!
--
Omniscient, omnipotent, omnipresent, without judgment

Mateusz Ludwin mateuszl [at] gmail [dot] com

do góry

Radoslaw Jocz pisze:
>>
>> I teraz problem: w jaki sposob teraz znalezc w duzym zbiorze zdjecia,
>> ktore prawdopodobnie spodobaja sie uzytkownikowi?
>>
>
> zbuduj siec neuronowa i naucz odpowiednio neurony

;) mogles wlasciwie juz napisac: 'stworz odpowiedni program'

pozdro,
123

do góry

W ciemno załóż że użytkownik lubi na obrazku gołe baby.
Potem możesz dorzucić statek albo drzewo, ale tak żeby nie zasłaniały.

do góry

123 wrote:
> Radoslaw Jocz pisze:
>>>
>>> I teraz problem: w jaki sposob teraz znalezc w duzym zbiorze zdjecia,
>>> ktore prawdopodobnie spodobaja sie uzytkownikowi?
>>>
>>
>> zbuduj siec neuronowa i naucz odpowiednio neurony
>
> ;) mogles wlasciwie juz napisac: 'stworz odpowiedni program'
>
> pozdro,
> 123

stworz (odpowiedni) program ale wykorzystujacy sieci neuronowe

do góry

nie zaproponowalem ci jakiegokolwiek konkretnego rozwiazania zagadnienia
tylko ogolne podjescie do problemu

a podejsc moze byc wiele

http://www.mini.pw.edu.pl/~mandziuk/2008-04-09.pdf
http://www.cs.put.poznan.pl/jstefanowski/pub/okladka
SpisPrzedmowa.pdf

do góry