In exploring the discriminative pow

In exploring the discriminative power of each feature on the performance of the proposed system, we find that features regarding a user’s behavior are robust for functional naming, and the environmental features mined from images or postings are effective for business naming. Figure 13(a) presents the residence-time distribution of several place types on weekdays. We found that the stay behaviors have strong features that can differentiate some types (e.g., residences and food places), but several types (e.g., colleges and professional offices) are confused, due to similar stay patterns. We further investigated the difference of distributions between places, as shown in Figure 13(b). The figure illustrates the Kullback-Leibler divergence [15] between the residence-time distributions. The results indicate that places of the same type have higher similarities compared to places of different types. We highlight the characteristics of the environmental features mined from images (i.e., GIST, SIFT, and OCR words). Figure 14 presents the distribution of attributes mined from images. We presented a few selected attributes since the semantic features from images were sparsely distributed over a large number of attributes. The result shows that clustered terms were observed differently on some types of places that can differentiate places. The example images in the same cluster inferred as food place are presented in Figure 15(a). The images contains cups or bowls with round shapes that derived similar terms. Similarly, the terms mined from images at the same place show consistent patterns since those images contains similar scene or local objects, as illustrated in Figure 15(b). In OCR words cases, the system observed a high frequency of OCR words in food places and most images captured at shopping and travel and transport contained written words, as illustrated in Figure 16. The words were mostly mined from images capturing store signs, menus, or a direction boards in a place. To filter out noisy results, we utilized the confidence score provided by the OCR engine. Figure 17(a) shows that false positives decrease as the threshold of confidence score increases. The result shows that even though the classifier produces noisy results, reliable results can be obtained using high threshold of confidence. The side-effect of this approach is a significant drop in true positives, but the system still extracts sufficient amount of results due to the large amounts of data collected by crowdsensing and crowdsourcing. We set the threshold of confidence as 300 to obtain high precision with small loss in recall, as illustrated in Figure 17(b). The low recall indicates that the classifier would require further investigation to obtain more classified features from noisy images. Table 3 indicates that major words on different types of places reflected the characteristics of places. Finally, we explored the relationship between the number of samples and the performance of the proposed system. Intuitively, as shown in Figure 18, the more data leads a more accurate result. We found that a larger number of visits induced better accuracy in functional naming, and a greater number of images is effective for business naming. Places with more than 100 visits showed 80% of accuracy, while more than 20 images derived 4.3±4.9 ranks in the list. The reason is that the number of matched features of the same places increases with the number of images. The visitations would increase as time goes by in daily life, but the collection of images requires the active user participation. Considering that 9.7% of places in SNS and 34% of places in crowdsensing contain image data, the reward for data collection is required to induce user participation.

ผลลัพธ์ (ไทย) 2:

ในการสำรวจอำนาจจำแนกของแต่ละคุณลักษณะในการทำงานของระบบที่นำเสนอเรา fi ครั้งที่มีคุณสมบัติเกี่ยวกับพฤติกรรมของผู้ใช้ที่มีประสิทธิภาพสำหรับการตั้งชื่อการทำงานและคุณสมบัติด้านสิ่งแวดล้อมที่ขุดจากภาพหรือการโพสต์เป็น E ective FF สำหรับการตั้งชื่อธุรกิจ รูป (ก) 13 ที่มีการกระจายที่อยู่อาศัยเวลาประเภทสถานที่หลายในวันธรรมดา เราพบว่าพฤติกรรมการเข้าพักมีคุณสมบัติที่แข็งแกร่งที่สามารถ di FF erentiate บางชนิด (เช่นที่อยู่อาศัยและสถานที่อาหาร) แต่หลายประเภท (เช่นวิทยาลัยและเป็นมืออาชีพในงาน CES o FFI) กำลังสับสนเนื่องจากรูปแบบการเข้าพักที่คล้ายกัน เราตรวจสอบต่อไป erence FF di ของการกระจายระหว่างสถานที่ดังแสดงในรูปที่ 13 (ข) Gure Fi แสดงให้เห็นถึง Kullback-Leibler แตกต่าง [15] ระหว่างการกระจายที่อยู่อาศัยเวลา ผลการวิจัยพบว่าสถานที่ของชนิดเดียวกันที่มีความคล้ายคลึงกันสูงเมื่อเทียบกับตำแหน่งประเภทต่างกัน di FF เราเน้นลักษณะของคุณลักษณะด้านสิ่งแวดล้อมที่ขุดจากภาพ (เช่นจีคำร่อนและ OCR) รูปที่ 14 นำเสนอการกระจายของคุณลักษณะที่ขุดจากภาพ เรานำเสนอคุณลักษณะที่เลือกไม่กี่ตั้งแต่คุณลักษณะความหมายจากภาพมีการกระจายเบาบางกว่าเป็นจำนวนมากของคุณลักษณะ ผลที่ได้แสดงให้เห็นว่าข้อตกลงคลัสเตอร์ถูกตั้งข้อสังเกต di FF erently ในบางส่วนหรือประเภทของสถานที่สามารถ di FF erentiate ตำแหน่ง ภาพตัวอย่างในคลัสเตอร์เดียวกันสรุปว่าเป็นสถานที่อาหารจะถูกนำเสนอในรูปที่ 15 (ก) ภาพที่มีถ้วยหรือชามที่มีรูปร่างกลมที่มาคำที่คล้ายกัน ในทำนองเดียวกันแง่ที่ขุดจากภาพในสถานที่เดียวกันแสดงให้เห็นรูปแบบที่สอดคล้องกันตั้งแต่ภาพเหล่านั้นมีฉากที่คล้ายกันหรือวัตถุท้องถิ่นดังแสดงในรูปที่ 15 (ข) ในกรณีที่คำ OCR ระบบสังเกตความถี่สูงของคำ OCR ในสถานที่อาหารและภาพส่วนใหญ่ถูกจับที่ช้อปปิ้งและการเดินทางและการขนส่งบรรจุคำที่เขียนดังแสดงในรูปที่ 16. คำว่าศีลธรรมส่วนใหญ่มาจากการจับภาพป้ายร้าน, เมนู, หรือบอร์ดทิศทางในสถานที่ที่ ไปยัง FI กรองผลลัพธ์ที่มีเสียงดังที่เราใช้คะแนน Con Fi มั่นใจที่มีให้โดยเครื่องยนต์ OCR รูปที่ 17 (ก) แสดงให้เห็นว่าผลบวกปลอมลดลงเป็นเกณฑ์ของ Con Fi มั่นใจคะแนนเพิ่มขึ้น ผลที่ได้แสดงให้เห็นว่าแม้ ER จัดประเภท Fi ก่อให้เกิดผลลัพธ์ที่มีเสียงดังผลลัพธ์ที่น่าเชื่อถือสามารถรับใช้เกณฑ์สูงของ Con Fi มั่นใจ ด้าน E-FF ect ของวิธีนี้คือการลดลง Fi ลาดเทมีนัยสำคัญในการบวกจริง แต่ระบบยังคงสารสกัดจาก Su FFI จำนวนประสิทธิภาพของผลเนื่องจากการข้อมูลจำนวนมากที่เก็บรวบรวมโดย crowdsensing และ crowdsourcing เราตั้งเกณฑ์ของ Con Fi มั่นใจถึง 300 เพื่อให้ได้ความแม่นยำสูงด้วยการสูญเสียขนาดเล็กในการเรียกคืนดังแสดงในรูปที่ 17 (ข) การเรียกคืนต่ำบ่งชี้ว่าเอ้อจัดประเภท Fi จะต้องมีการตรวจสอบต่อไปจะได้รับการจัดประเภทอื่น ๆ คุณสมบัติ Fi เอ็ดจากภาพที่มีเสียงดัง ตารางที่ 3 แสดงให้เห็นว่าคำพูดที่สำคัญในประเภทต่างกัน di FF ของสถานที่อีกครั้ง FL ected ลักษณะของสถานที่ สุดท้ายเราสำรวจความสัมพันธ์ระหว่างจำนวนตัวอย่างและประสิทธิภาพของระบบที่เสนอนั้น สัญชาตญาณดังแสดงในรูปที่ 18 ข้อมูลเพิ่มเติมที่นำไปสู่ผลที่ถูกต้องมากขึ้น เราพบว่าจำนวนมากของผู้เข้าชมเหนี่ยวนำให้เกิดความถูกต้องในการตั้งชื่อที่ดีกว่าการทำงานและเป็นจำนวนมากของภาพคือ E ective FF สำหรับการตั้งชื่อธุรกิจ สถานที่ที่มีมากกว่า 100 ผู้เข้าชมแสดงให้เห็นว่า 80% ของความถูกต้องในขณะที่มากกว่า 20 ภาพที่ได้มา 4.3 ± 4.9 การจัดอันดับในรายการ เหตุผลก็คือว่าจำนวนของคุณสมบัติที่ตรงกับในสถานที่เดียวกันเพิ่มขึ้นกับจำนวนภาพ ภูตผีปิศาจจะเพิ่มขึ้นเมื่อเวลาผ่านไปในชีวิตประจำวัน แต่คอลเลกชันของภาพที่ต้องมีส่วนร่วมของผู้ใช้ที่ใช้งานอยู่ พิจารณาว่า 9.7% ของสถานที่ใน SNS และ 34% ของสถานที่ใน crowdsensing ประกอบด้วยข้อมูลภาพรางวัลสำหรับการเก็บรวบรวมข้อมูลเป็นสิ่งจำเป็นที่จะทำให้เกิดการมีส่วนร่วมของผู้ใช้

ผลลัพธ์ (ไทย) 3:

ในการสำรวจพลังงานของแต่ละคุณลักษณะและสมรรถนะของระบบที่เสนอ เราจึงว่า คุณสมบัติและพฤติกรรมของผู้ใช้ที่มีประสิทธิภาพสำหรับการตั้งชื่อฟังก์ชันและคุณลักษณะสิ่งแวดล้อม mined จากภาพหรือโพสต์เป็น E ff ective สำหรับชื่อธุรกิจ รูปที่ 13 ( ) แสดงระยะเวลาการกระจายหลายสถานที่ และในวันธรรมดา เราจะพบว่า พฤติกรรมอยู่ มีคุณลักษณะที่แข็งแกร่งที่สามารถ ดิ ff erentiate บางชนิด ( เช่น ที่อยู่อาศัย อาหาร และสถานที่ ) แต่หลายประเภท ( เช่น วิทยาลัยและระดับมืออาชีพ O ffi CES ) มีความสับสน เนื่องจากรูปแบบอยู่เหมือนกัน เราเพิ่มเติมได้ ดิ ff erence ของการแจกแจงระหว่างสถานที่ ดังแสดงในรูปที่ 13 ( B ) จึงแสดงให้เห็นถึงความแตกต่าง gure คัลแบ็กลี๊บเลอร์ [ 15 ] ระหว่างการประทับเวลา ผลการศึกษาพบว่า สถานที่ของประเภทเดียวกันมีความคล้ายคลึงกันสูงเมื่อเทียบกับ ที่ ดิ ffประเภท erent . เราเน้นลักษณะของสิ่งแวดล้อม คุณสมบัติที่ mined จากภาพ ( เช่นเนื้อหา , ร่อน , และคำ OCR ) รูปที่ 14 แสดงการกระจายของแอตทริบิวต์ที่ขุดได้จากรูปภาพ เรานำเสนอไม่กี่เลือกแอตทริบิวต์ตั้งแต่ลักษณะความหมายจากภาพเบาบางกระจายเป็นจำนวนมากของแอตทริบิวต์ ผลการศึกษาพบว่า กลุ่มที่พบในแง่ff erently ในบางชนิดของสถานที่ที่ ดิ ffสถานที่ erentiate . ตัวอย่างภาพในกลุ่มเดียวกันได้ เช่น อาหารจะถูกนำเสนอในรูปที่ 15 ( ก ) ภาพมีถ้วยหรือชามกลมรูปร่างที่ได้รับเงื่อนไขที่คล้ายกัน ส่วนเรื่องภาพที่ขุดมาจากสถานที่เดียวกันแสดงรูปแบบที่สอดคล้องกันตั้งแต่ภาพเหล่านั้นมีฉากที่คล้ายกันหรือท้องถิ่นวัตถุ ดังแสดงในรูปที่ 15 ( ข ) ใน OCR คำกรณี ระบบตรวจสอบความถี่ของคำ OCR ในสถานที่ อาหาร และ ภาพส่วนใหญ่ถ่ายที่ช้อปปิ้งและการเดินทางและการขนส่งที่มีอยู่ เขียนคำ ตามที่แสดงในรูปที่ 16 คำส่วนใหญ่ที่ขุดได้จากภาพการจับสัญญาณเก็บเมนู หรือทิศทางบอร์ดในสถานที่ เพื่อถ่ายทอดผล lter ออกมาเสียงดัง เราใช้คอน จึง dence คะแนนโดย OCR เครื่องยนต์ รูปที่ 17 ( ) แสดงผลบวกปลอมลดลงเป็นเกณฑ์ของคอน จึง dence คะแนนเพิ่มขึ้น ผลการศึกษาพบว่า แม้ว่า classi จึงเอ้อสร้างผลลัพธ์ดังผลลัพธ์ที่น่าเชื่อถือสามารถได้รับโดยใช้เกณฑ์สูงของคอน จึง dence . การ side-e ff ect ของวิธีการนี้คือ signi จึงไม่สามารถปล่อยจริงบวก แต่ระบบยังสารสกัดจากซูffi cient จํานวนผลเนื่องจากการจำนวนมากของข้อมูลและ crowdsensing เตอร์ . เราตั้งเกณฑ์ของคอน จึง dence 300 เพื่อให้ได้ความแม่นยำสูงขนาดเล็กการสูญเสียในการเรียกคืน ตามที่แสดงในรูปที่ 17 ( B ) เรียกคืนต่ำบ่งชี้ว่า classi จึงเอ้อจะต้องสอบสวนต่อไปเพื่อให้ได้ classi มากขึ้นจึงเอ็ดคุณสมบัติจากดังภาพ ตารางที่ 3 พบว่า คำที่สำคัญใน ดิ ff erent ประเภทที่เป็นflประมวลลักษณะของสถานที่ สุดท้ายเราได้สำรวจความสัมพันธ์ระหว่างจำนวนของตัวอย่าง และประสิทธิภาพของระบบ . สังหรณ์ใจ ดังแสดงในรูปที่ 18 , ข้อมูลมากขึ้น ผลที่ถูกต้องมากขึ้น เราพบว่า ตัวเลขขนาดใหญ่ของการเข้าชมการทำงานในการตั้งชื่อที่ถูกต้องกว่าและจำนวนมากของภาพและff ective สำหรับชื่อธุรกิจ สถานที่มากกว่า 100 เข้าชม พบว่า 80% ของความถูกต้อง ในขณะที่มากกว่า 20 ภาพที่ 4.3 ± 4.9 อันดับในรายการ เหตุผลที่เลขตรงกับคุณสมบัติของเดียวกันเพิ่มสถานที่ ด้วยหมายเลขของภาพ ส่วนการตรวจค้นจะเพิ่มขึ้นเมื่อเวลาผ่านไป ในชีวิตประจําวัน แต่คอลเลกชันของภาพ ต้องอาศัยการมีส่วนร่วมของผู้ใช้ที่ใช้งานอยู่ พิจารณาที่ 9.7% ของสถานที่ใน SNS และ 34% ของสถานที่ใน crowdsensing ประกอบด้วยข้อมูลภาพ รางวัลสำหรับการเก็บรวบรวมข้อมูลจะต้องทำให้เกิดการมีส่วนร่วมของผู้ใช้