[논문 리뷰] Improving Statistical Multimedia Information Retrieval (MIR) Model by using Ontology

Mayank Singh, Vishal Jain|arXiv (Cornell University)|2014. 01. 01.

Image Retrieval and Classification Techniques참고 문헌 20인용 수 4

한 줄 요약

이 논문은 통계적 다중매체 정보 검색(MIR) 모델을 온톨로지 통합으로 개선하여 사용자 쿼리와 다중매체 콘텐츠 사이의 의미 갭을 줄이고자 한다. 온톨로지 기반 용어 표현과 확장 불리안 및 베이지안 네트워크와 같은 통계적 IR 기법을 융합함으로써, 텍스트 및 이미지 용어의 구조화된 의미 인덱싱을 통해 관련성 순위 매기기와 사용자 쿼리 만족도를 향상시킨다.

ABSTRACT

The process of retrieval of relevant information from massive collection of documents, either multimedia or text documents is still a cumbersome task. Multimedia documents include various elements of different data types including visible and audible data types (text, images and video documents), structural elements as well as interactive elements. In this paper, we have proposed a statistical high level multimedia IR model that is unaware of the shortcomings caused by classical statistical model. It involves use of ontology and different statistical IR approaches (Extended Boolean Approach, Bayesian Network Model etc) for representation of extracted text-image terms or phrases. A typical IR system that delivers and stores information is affected by problem of matching between user query and available content on web. Use of Ontology represents the extracted terms in form of network graph consisting of nodes, edges, index terms etc. The above mentioned IR approaches provide relevance thus satisfying user‟s query. The paper also emphasis on analyzing multimedia documents and performs calculation for extracted terms using different statistical formulas. The proposed model developed reduces semantic gap and satisfies user needs efficiently.

연구 동기 및 목표

• 대규모 문서 컬렉션에서 사용자 쿼리와 다중매체 콘텐츠 사이의 지속적인 의미 불일치 문제를 해결한다.
• 통계적 IR 모델과 온톨로지 구조를 통합하여 다중매체 정보 검색에서의 의미 갭을 줄인다.
• 네트워크 기반 의미 그래프를 사용해 추출된 텍스트 및 이미지 용어를 표현함으로써 검색 정확도와 사용자 만족도를 향상시킨다.
• 다중매체 콘텐츠의 더 나은 표현을 위해 온톨로지를 활용하는 고수준 통계적 MIR 프레임워크를 개발한다.

제안 방법

• 추출된 텍스트 및 이미지 용어를 노드, 간선, 색인 용어를 갖는 네트워크 그래프로 표현하여 의미적 구조화를 수행한다.
• 관련성 계산을 위해 확장 불리안 모델과 베이지안 네트워크 모델과 같은 통계적 IR 접근법을 통합한다.
• 용어 빈도와 온톨로지에서 유도된 의미 관계를 기반으로 관련성 점수를 계산하기 위한 통계 공식을 사용한다.
• 사용자 쿼리를 온톨로지 기반 용어에 매핑하여 다중매체 콘텐츠와의 의미 인식 매칭을 가능하게 한다.
• 다중매체 콘텐츠를 텍스트 및 시각적 특징의 조합으로 표현하고, 온톨로지를 통해 통합된 인덱싱을 수행하여 통합 검색을 가능하게 한다.
• 다중매체 문서의 구조적 및 상호작용 요소에 의미 인덱싱을 적용하여 검색 정밀도를 향상시킨다.

실험 결과

연구 질문

• RQ1 온톨로지 통합은 통계적 IR 모델에서 다중매체 콘텐츠의 의미 표현을 어떻게 향상시키는가?
• RQ2 온톨로지 기반 인덱싱은 사용자 쿼리와 다중매체 문서 콘텐츠 사이의 의미 갭을 어느 정도 줄이는가?
• RQ3 확장 불리안 및 베이지안 네트워크와 같은 통계적 IR 모델은 온톨로지 기반 용어 표현과 통합되었을 때 어떻게 성능을 발휘하는가?
• RQ4 온톨로지와 통계적 MIR 모델을 통합하면 사용자 쿼리 만족도와 관련성 순위 매기기에서 더 나은 결과를 낼 수 있는가?

주요 결과

• 제안된 모델은 온톨로지 기반 의미 인덱싱을 통해 사용자 쿼리와 다중매체 콘텐츠 사이의 의미 갭을 효과적으로 줄인다.
• 통계적 IR 모델에 온톨로지를 통합함으로써 의미 인식 용어 매칭이 가능해져 검색 결과의 관련성이 향상된다.
• 네트워크 기반 그래프 구조(노드, 간선, 색인 용어)의 사용이 추출된 텍스트 및 이미지 용어의 표현을 향상시킨다.
• 확장 불리안 및 베이지안 네트워크와 같은 통계적 IR 접근법은 온톨로지 기반 용어 표현과 통합되었을 때 더 나은 성능을 발휘한다.
• 더 정확하고 의미적으로 유의미한 검색 결과로 인해 사용자 쿼리 만족도가 향상된다.