为使标签分配更简易，标签推荐方法[3]，[4]，[5]，[6]，[7]提出，为给定照片，推荐一些相关标签，并允许使用者选择自己喜欢的标签。这不仅可以减轻用户在网络上上传和分享多种图像的负担，而且方便用户在移动设备上标注和组织图像。但是，大多数工作试图学习标签和照片的关联，而用户首选项在推荐中被忽略了。27039
1)通用标签推荐
通用标签推荐方法[5]，[17]，[4]，[18]，[19]，[6]，[20]是为相同图片预测相同的标签列表，即这不受用户因素的影响。陈等人提出了一种自动标签推荐的方法，用从练习数据获悉的模型，直接预测可能的标签。深等人提出了一个多任务构造的SVM算法，以利用对象间的相关性和松散标注的图像两者。纯粹基于图像视觉内容[21]注释图像。对于一张图像，它首先从社会图像集找到 最近邻图像，然后在邻居集中选择最频繁的标签作为注释的结果。基于图像视觉内容的图像标签，可以首先从图像集找到 最近邻图像，然后分别基于泊松混合模型和高斯过程[6]，在邻居集中选择使用最频繁的标签。基于标签共现对的标签概念，作为文本文件被索引[7]。用一张图像的用户给定标签进行查询检索，推荐与匹配的概念相关联的候选标签。Moxley等人[11]和Kleban等人[12]介绍的典型方法，通过最近邻（ -NN）投票约束，注释所给图像。学习标签语义，即为了筛选标签后的标签推荐结果，按地方、地标和视觉描述符分类标签[13]。Silva等人用描述性标签注释地理参考照片，用在网上知识库其他地理参考照片上可用的大量注释上来探索冗余[14]。在概念依赖性方式里，地理内容融合视觉概念检测，以提高视觉搜索[15]。然而，上述方式忽略了用户首选项，并为不同用户的视觉相似照片推荐相同的标签。论文网
2）个性化标签推荐
个性化标签推荐现在引起互联网的广泛关注。同时使用用户标记历史Naive Bayes分类器和基于全球信息的TF-IDF，获得标签推荐[22]。使用同时出现在用户标记历史和Flickr网站的标签计算共现的标签，共现的标签则用于产生推荐的标签[8]。用户的网络浏览行为不仅有利于添加要推荐的标签，还有利于从图像的原始标签中删除[23]，而图像标签推荐则使用一个视觉大众分类法的后验问题的最大值[24]。用假设喜爱的图像和相关的标签显示用户视觉的和局部的兴趣，个性化喜爱图像和它们的内容用于进行个性化图像标签推荐[24]。通过设计了一个简单的个性化图像标示方法，只用用户历史中最频繁的标签标示未标记的图像[26]。而张量分解模型已开发用于标签推荐[27]，[28]，[29]，[30]，[31]，[32]，特殊情况的tucker型分解模型成对相互作用，以预测标签集。音乐盒[30]标记基于社会性标签的音乐，通过用3阶张量来捕获用户标签音乐项目之间的三方关系。低阶张量分解[31]包括1次、2次多项式，以重建数据。张量分解和标签聚类的模型以在社会标签系统中推荐项目[32]能够处理稀疏性、冷启动、标签相关学习问题的问题。此外，采用交叉熵的个性化方法来标示图像，通过从用户的标记历史中了解一个通用的个性化标示模型[33]。然而，上述方法只注重于图像、用户和标签，却忽视了图像信息。另外，其他一些个性化标签推荐方法利用地理标记产生候选标记，通过从候选图像中累积投票，使用用户自己的词汇标记新照片，根据三个因素挑选词汇：视觉特征、地理坐标和图像拍摄时间[16]。 标签推荐系统国内外研究现状:http://www.751com.cn/yanjiu/lunwen_21409.html