การพัฒนาการวิเคราะห์ลักษณะเฉพาะทางความรู้สึกและลักษณะทางการภาพของรูปภาพ ในสื่อเครือข่ายสังคม
คำสำคัญ:
การเรียนรู้เชิงลึก, การวิเคราะห์ภาพ, เครือข่ายสังคมออนไลน์, แฮชแท็กบทคัดย่อ
การพิจารณาเลือกดัชนีถ้อยคำ (Hashtag) หรือการเลือกรูปภาพบนสื่อเครือข่ายสังคมทางอินเทอร์เน็ตให้เหมาะสม เป็นส่วนหนึ่งของการทำการตลาดออนไลน์ที่ดี แต่การพิจารณาว่าดัชนีถ้อยคำ (Hashtag) ใดมีความเหมาะสมนั้น มีความยุ่งยากอยู่พอสมควร เนื่องจากการเลือกดัชนีถ้อยคำ (Hashtag) มักใช้ประสบการณ์ของผู้ทำการตลาดออนไลน์เพียงอย่างเดียว โดยไม่ได้คำนึงถึงรูปภาพที่อยู่ภายใต้ดัชนีถ้อยคำ (Hashtag) งานวิจัยชิ้นนี้เป็นการสร้างเครื่องมือในการวิเคราะห์รูปภาพที่อยู่ภายใต้ดัชนีถ้อยคำ (Hashtag) หรือรูปภาพบนสื่อเครือข่ายสังคมของผู้มีอิทธิพล (Influencer) ในสื่อเครือข่ายสังคมทางอินเทอร์เน็ต เพื่อใช้ในการตัดสินใจเลือกดัชนีถ้อยคำ (Hashtag) หรือสามารถประยุกต์ใช้เพื่อการหาผู้มีอิทธิพล (Influencer) ในสื่อเครือข่ายสังคมทางอินเทอร์เน็ตให้เหมาะสม
เอกสารอ้างอิง
Y. Hu, L. Manikonda and S. Kambhampati, “What We Instagram: A First Analysis of Instagram Photo Content and User Types,” Proceedings of the 8th International Conference on Weblogs and Social Media, The AAAI Press, pp.595-598, 2014.
S. Ibba, M. Orrù, F.E. Pani and S. Porru, “Hashtag of Instagram: From Folksonomy to Complex Network,” Proceedings of the 7th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management, Lisbon, Portugal, pp.279-284, 2015.
I. Dorsch, “Content Description on a Mobile Image Sharing Service: Hashtags on Instagram,” Journal of Information Science Theory and Practice, vol.6, no.2, pp.46-61, 2018.
A. Mathes, “Folksonomies - cooperative classification and communication through shared metadata,” Journal of Computer-Mediated Communication 47, Oxford University Press, 2004.
Bruns, Axel & Burgess and Jean, “The use of Twitter hashtags in the formation of ad hoc publics,” Proceedings of the 6th European Consortium for Political Research (ECPR) General Conference 2011, The European Consortium for Political Research (ECPR), United Kingdom, pp. 1-9, 2011.
K.S. Satoh, “Image Sentiment Analysis Using Correlations Among Visual, Textual, and Sentiment Views,” International Conference on Acoustics, Speech, and Signal Processing. IEEE, 2016.
V. Gajarla and A. Gupta, “Emotion Detection and Sentiment Analysis of Images,” Georgia Institute of Technology, Atlanta, Georgia, 2011.
S. Karayev, M. Trentacoste, H. Han, A. Agarwala, Trevor Darrell, A. Hertzmann and H. Winnemoeller, “Recognizing Image Style,” In Proceedings British Machine Vision Conference, BMVA Press, 2014.
B. Zhou, A. Lapedriza, A. Khosla, A. Oliva and A. Torralba, “Places: A 10 million Image Database for Scene Recognition,” Transactions on Pattern Analysis and Machine Intelligence. IEEE, vol.40, no.6, pp. 1452 - 1464, 2017.
M. Tan and Q. V. Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” The International Conference on Machine Learning, Long Beach, California, pp.6105-6114, 2019.
M. Hussain, J. J. Bird and D. R. Faria, “A Study on CNN Transfer Learning for Image Classification,” EventUKCI'18: 18th Annual UK Workshop on Computational Intelligence - Nottingham, United Kingdom, pp.191-202, 2018.
J. Redmon, S. Divvalay, R. Girshick and A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA. IEEE, 2016.
T. Lin, M. Maire, S. Belongie, L. Bourdev, R. Girshick, J. Hays, P. Perona, D. Ramanan, C.L. Zitnick and P. Dollár, “Microsoft COCO: Common Objects in Context,” European Conference on Computer Vision, Computer Vision – ECCV 2014, pp. 740-755, 2014.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
