Search (73 results, page 1 of 4)

  • × year_i:[2010 TO 2020}
  • × theme_ss:"Social tagging"
  1. Niemann, C.: Intelligenz im Chaos : erste Schritte zur Analyse des Kreativen Potenzials eines Tagging-Systems (2010) 0.05 
    0.04523052 = product of:
  0.09046104 = sum of:
    0.03775026 = weight(_text_:von in 4375) [ClassicSimilarity], result of:
      0.03775026 = score(doc=4375,freq=8.0), product of:
        0.12806706 = queryWeight, product of:
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.04800207 = queryNorm
        0.29476947 = fieldWeight in 4375, product of:
          2.828427 = tf(freq=8.0), with freq of:
            8.0 = termFreq=8.0
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.0390625 = fieldNorm(doc=4375)
    0.05271078 = product of:
      0.079066165 = sum of:
        0.003525567 = weight(_text_:a in 4375) [ClassicSimilarity], result of:
          0.003525567 = score(doc=4375,freq=2.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.06369744 = fieldWeight in 4375, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.0390625 = fieldNorm(doc=4375)
        0.075540595 = weight(_text_:z in 4375) [ClassicSimilarity], result of:
          0.075540595 = score(doc=4375,freq=2.0), product of:
            0.2562021 = queryWeight, product of:
              5.337313 = idf(docFreq=577, maxDocs=44218)
              0.04800207 = queryNorm
            0.29484767 = fieldWeight in 4375, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              5.337313 = idf(docFreq=577, maxDocs=44218)
              0.0390625 = fieldNorm(doc=4375)
      0.6666667 = coord(2/3)
  0.5 = coord(2/4)
    Abstract
    Die Auszeichnung digitaler Medien durch Tagging ist zur festen Größe für das Wissensmanagement im Internet avanciert. Im Kontext des zunehmenden information overload' stehen wissenschaftliche Bibliotheken vor der Aufgabe, die große Flut digital publizierter Artikel und Werke möglichst inhaltlich erschlossen verfügbar zu machen. Die Frage ist, ob durch den Einsatz von Tagging-Systemen die kollaborative Intelligenz der NutzerInnen für die Sacherschließung eingesetzt werden kann, während diese von einer intuitiven und individuellen Wissensorganisation profitieren. Die große Freiheit bei der Vergabe von Deskriptoren durch die NutzerInnen eines Tagging-Systems ist nämlich ein ambivalentes Phänomen: Kundennähe und kreatives Potenzial stehen der großen Menge völlig unkontrollierter Meta-Informationen gegenüber, deren inhaltliche Qualität und Aussagekraft noch unklar ist. Bisherige Forschungsbemühungen konzentrieren sich hauptsächlich auf die automatische Hierarchisierung bzw. Relationierung der Tag-Daten (etwa mittels Ähnlichkeitsalgorithmen) oder auf die Analyse des (Miss-)Erfolgs, den die NutzerInnen bei einer Suchanfrage subjektiv erfahren. Aus der Sicht stark strukturierter Wissensorganisation, wie sie Experten z. B. durch die Anwendung von Klassifikationen realisieren, handelt es sich bei den zunächst unvermittelt nebeneinander stehenden Tags allerdings kurz gesagt um Chaos. Dass in diesem Chaos aber auch Struktur und wertvolles Wissen als Gemeinschaftsprodukt erzeugt werden kann, ist eine der zentralen Thesen dieses Artikels.
    Type
    a
  2. Niemann, C.: Tag-Science : Ein Analysemodell zur Nutzbarkeit von Tagging-Daten (2011) 0.03 
    0.034033075 = product of:
  0.06806615 = sum of:
    0.039231222 = weight(_text_:von in 164) [ClassicSimilarity], result of:
      0.039231222 = score(doc=164,freq=6.0), product of:
        0.12806706 = queryWeight, product of:
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.04800207 = queryNorm
        0.30633342 = fieldWeight in 164, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.046875 = fieldNorm(doc=164)
    0.028834928 = product of:
      0.04325239 = sum of:
        0.004230681 = weight(_text_:a in 164) [ClassicSimilarity], result of:
          0.004230681 = score(doc=164,freq=2.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.07643694 = fieldWeight in 164, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.046875 = fieldNorm(doc=164)
        0.039021708 = weight(_text_:22 in 164) [ClassicSimilarity], result of:
          0.039021708 = score(doc=164,freq=2.0), product of:
            0.16809508 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.04800207 = queryNorm
            0.23214069 = fieldWeight in 164, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.046875 = fieldNorm(doc=164)
      0.6666667 = coord(2/3)
  0.5 = coord(2/4)
    Abstract
    Social-Tagging-Systeme, die sich für das Wissensmanagement rapide wachsender Informationsmengen zunehmend durchsetzen, sind ein ambivalentes Phänomen. Sie bieten Kundennähe und entfalten ein beachtliches kreatives Potenzial. Sie erzeugen aber ebenso große Mengen völlig unkontrollierter Meta-Informationen. Aus Sicht gepflegter Vokabularien, wie sie sich etwa in Thesauri finden, handelt es sich bei völlig frei vergebenen Nutzerschlagwörtern (den "Tags") deshalb um "chaotische" Sacherschließung. Andererseits ist auch die These einer "Schwarmintelligenz", die in diesem Chaos wertvolles Wissen als Gemeinschaftsprodukt erzeugt, nicht von der Hand zu weisen. Die Frage ist also: Wie lassen sich aus Tagging-Daten Meta-Informationen generieren, die nach Qualität und Ordnung wissenschaftlichen Standards entsprechen - nicht zuletzt zur Optimierung eines kontrollierten Vokabulars? Der Beitrag stellt ein Analysemodell zur Nutzbarkeit von Tagging-Daten vor.
    Source
    ¬Die Kraft der digitalen Unordnung: 32. Arbeits- und Fortbildungstagung der ASpB e. V., Sektion 5 im Deutschen Bibliotheksverband, 22.-25. September 2009 in der Universität Karlsruhe. Hrsg: Jadwiga Warmbrunn u.a
    Type
    a
  3. Peters, I.: Benutzerzentrierte Erschließungsverfahren (2013) 0.03 
    0.027868655 = product of:
  0.05573731 = sum of:
    0.05338693 = weight(_text_:von in 718) [ClassicSimilarity], result of:
      0.05338693 = score(doc=718,freq=4.0), product of:
        0.12806706 = queryWeight, product of:
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.04800207 = queryNorm
        0.416867 = fieldWeight in 718, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.078125 = fieldNorm(doc=718)
    0.002350378 = product of:
      0.007051134 = sum of:
        0.007051134 = weight(_text_:a in 718) [ClassicSimilarity], result of:
          0.007051134 = score(doc=718,freq=2.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.12739488 = fieldWeight in 718, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.078125 = fieldNorm(doc=718)
      0.33333334 = coord(1/3)
  0.5 = coord(2/4)
    Source
    Grundlagen der praktischen Information und Dokumentation. Handbuch zur Einführung in die Informationswissenschaft und -praxis. 6., völlig neu gefaßte Ausgabe. Hrsg. von R. Kuhlen, W. Semar u. D. Strauch. Begründet von Klaus Laisiepen, Ernst Lutterbeck, Karl-Heinrich Meyer-Uhlenried
    Type
    a
  4. Peters, I.: Folksonomies und kollaborative Informationsdienste : eine Alternative zur Websuche? (2011) 0.03 
    0.0270943 = product of:
  0.0541886 = sum of:
    0.0523083 = weight(_text_:von in 343) [ClassicSimilarity], result of:
      0.0523083 = score(doc=343,freq=6.0), product of:
        0.12806706 = queryWeight, product of:
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.04800207 = queryNorm
        0.40844458 = fieldWeight in 343, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.0625 = fieldNorm(doc=343)
    0.0018803024 = product of:
      0.005640907 = sum of:
        0.005640907 = weight(_text_:a in 343) [ClassicSimilarity], result of:
          0.005640907 = score(doc=343,freq=2.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.10191591 = fieldWeight in 343, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.0625 = fieldNorm(doc=343)
      0.33333334 = coord(1/3)
  0.5 = coord(2/4)
    Abstract
    Folksonomies ermöglichen den Nutzern in Kollaborativen Informationsdiensten den Zugang zu verschiedenartigen Informationsressourcen. In welchen Fällen beide Bestandteile des Web 2.0 am besten für das Information Retrieval geeignet sind und wo sie die Websuche ggf. ersetzen können, wird in diesem Beitrag diskutiert. Dazu erfolgt eine detaillierte Betrachtung der Reichweite von Social-Bookmarking-Systemen und Sharing-Systemen sowie der Retrievaleffektivität von Folksonomies innerhalb von Kollaborativen Informationsdiensten.
    Type
    a
  5. Heuwing, B.: Erfahrungen an der Universitätsbibliothek Hildesheim : Social Tagging in Bibliotheken (2010) 0.02 
    0.023355268 = product of:
  0.046710536 = sum of:
    0.04530031 = weight(_text_:von in 4013) [ClassicSimilarity], result of:
      0.04530031 = score(doc=4013,freq=8.0), product of:
        0.12806706 = queryWeight, product of:
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.04800207 = queryNorm
        0.35372335 = fieldWeight in 4013, product of:
          2.828427 = tf(freq=8.0), with freq of:
            8.0 = termFreq=8.0
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.046875 = fieldNorm(doc=4013)
    0.001410227 = product of:
      0.004230681 = sum of:
        0.004230681 = weight(_text_:a in 4013) [ClassicSimilarity], result of:
          0.004230681 = score(doc=4013,freq=2.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.07643694 = fieldWeight in 4013, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.046875 = fieldNorm(doc=4013)
      0.33333334 = coord(1/3)
  0.5 = coord(2/4)
    Abstract
    Der Einsatz von Social Software in Bibliotheken und die damit angestrebte Erweiterung und Öffnung ihrer Angebote hat in den letzten Jahren viel Aufmerksamkeit auf sich gezogen. Für die Universitätsbibliothek Hildesheim wurde prototypisch ein Social Tagging Dienst umgesetzt und im Praxiseinsatz evaluiert (vgl. Heuwing 2008). Nutzer hatten dabei die Möglichkeit, für die im Online-Katalog vorhandenen Ressourcen selbst gewählte Schlagworte vergeben zu können. Das Angebot wurde von der Gruppe von Testnutzern positiv angenommen und auf vielfältige Weise eingesetzt. Eine Nutzerbefragung zeigt, dass die Motivation für die Nutzung vor allem im Austausch unter den Studierenden lag, während die Verwaltung persönlicher Informationsressourcen nur einer kleineren Gruppe wichtig war. Die Ergebnisse des Projektes verdeutlichen das Potential von Social Tagging an Universitäten und zeigen Möglichkeiten für die Integration mit lokalen Anwendungen und übergreifenden Diensten.
    Type
    a
  6. Hänger, C.; Krätzsch, C.; Niemann, C.: Was vom Tagging übrig blieb : Erkenntnisse und Einsichten aus zwei Jahren Projektarbeit (2011) 0.02 
    0.020313894 = product of:
  0.04062779 = sum of:
    0.040040195 = weight(_text_:von in 4519) [ClassicSimilarity], result of:
      0.040040195 = score(doc=4519,freq=36.0), product of:
        0.12806706 = queryWeight, product of:
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.04800207 = queryNorm
        0.31265023 = fieldWeight in 4519, product of:
          6.0 = tf(freq=36.0), with freq of:
            36.0 = termFreq=36.0
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.01953125 = fieldNorm(doc=4519)
    5.875945E-4 = product of:
      0.0017627835 = sum of:
        0.0017627835 = weight(_text_:a in 4519) [ClassicSimilarity], result of:
          0.0017627835 = score(doc=4519,freq=2.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.03184872 = fieldWeight in 4519, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.01953125 = fieldNorm(doc=4519)
      0.33333334 = coord(1/3)
  0.5 = coord(2/4)
    Abstract
    Das DFG-Projekt "Collaborative Tagging als neue Form der Sacherschließung" Im Oktober 2008 startete an der Universitätsbibliothek Mannheim das DFG-Projekt "Collaborative Tagging als neue Form der Sacherschließung". Über zwei Jahre hinweg wurde untersucht, welchen Beitrag das Web-2.0-Phänomen Tagging für die inhaltliche Erschließung von bisher nicht erschlossenen und somit der Nutzung kaum zugänglichen Dokumenten leisten kann. Die freie Vergabe von Schlagwörtern in Datenbanken durch die Nutzer selbst hatte sich bereits auf vielen Plattformen als äußerst effizient herausgestellt, insbesondere bei Inhalten, die einer automatischen Erschließung nicht zugänglich sind. So wurden riesige Mengen von Bildern (FlickR), Filmen (YouTube) oder Musik (LastFM) durch das Tagging recherchierbar und identifizierbar gemacht. Die Fragestellung des Projektes war entsprechend, ob und in welcher Qualität sich durch das gleiche Verfahren beispielsweise Dokumente auf Volltextservern oder in elektronischen Zeitschriften erschließen lassen. Für die Beantwortung dieser Frage, die ggf. weitreichende Konsequenzen für die Sacherschließung durch Fachreferenten haben konnte, wurde ein ganzer Komplex von Teilfragen und Teilschritten ermittelt bzw. konzipiert. Im Kern ging es aber in allen Untersuchungsschritten immer um zwei zentrale Dimensionen, nämlich um die "Akzeptanz" und um die "Qualität" des Taggings. Die Akzeptanz des Taggings wurde zunächst bei den Studierenden und Wissenschaftlern der Universität Mannheim evaluiert. Für bestimmte Zeiträume wurden Tagging-Systeme in unterschiedlichen Ausprägungen an die Recherchedienste der Universitätsbibliothek angebunden. Die Akzeptanz der einzelnen Systemausprägungen konnte dann durch die Analyse von Logfiles und durch Datenbankabfragen ausgewertet werden. Für die Qualität der Erschließung wurde auf einen Methodenmix zurückgegriffen, der im Verlauf des Projektes immer wieder an aktuelle Entwicklungen und an die Ergebnisse aus den vorangegangenen Analysen angepaßt wurde. Die Tags wurden hinsichtlich ihres Beitrags zum Information Retrieval mit Verfahren der automatischen Indexierung von Volltexten sowie mit der Erschließung durch Fachreferenten verglichen. Am Schluss sollte eine gut begründete Empfehlung stehen, wie bisher nicht erschlossene Dokumente am besten indexiert werden können: automatisch, mit Tags oder durch eine Kombination von beiden Verfahren.
    Content
    "Was vom Tagging übrig blieb: Empfehlungen und Fazit - Akzeptanz des Taggings Es kann von einer grundsätzlich hohen Bereitschaft der Nutzer ausgegangen werden, wissenschaftliche Quellen durch Tags zu organisieren und zu erschließen. Diese Bereitschaft hängt allerdings wesentlich davon ab, ob ein System durch entsprechende Datenbestände genügend Ergebnisse liefert, um für eine Recherche reizvoll zu erscheinen. Tagging-Systeme, die als "Insellösung" auf die Nutzer einer einzelnen Institution beschränkt sind, werden deshalb nicht ausreichend angenommen. Anbindungen an externe Dienste, deren Datenbestand sich aus vielen verschiedenen Quellen und Verknüpfungen speist, erfahren dagegen eine sehr gute Resonanz. Wissenschaftlichen Bibliotheken wird deshalb empfohlen, möglichst schnelle und einfache Verlinkungen zu erfolgreichen Tagging-Plattformen wie BibSonomy oder Citeulike anzubieten. Die Anzeige der dort verfügbaren Daten im eigenen Katalog ist ebenfalls wünschenswert und wird von den Nutzern befürwortet. - Verfahren zur Analyse von Tagging-Daten Für die Analyse der äußerst heterogenen Textdaten, die in Tagging-Systemen entstehen, wurden spezifische Verfahren entwickelt und angewendet, die je nach Datenausschnitt und Erkenntniszweck optimiert wurden. Nach erfolgreichen Testläufen wurde der Methodenmix jeweils für größere Datenmengen eingesetzt, um die aus den explorativen Studien gewonnen Hypothesen zu überprüfen. Dieses Vorgehen hat sich als äußerst fruchtbar herausgestellt. Alle durchgeführten Schritte und die daraus gewonnenen Erkenntnisse wurden in diversen Artikeln und Beiträgen veröffentlicht sowie auf zahlreichen nationalen und internationalen Konferenzen vorgestellt, um sie der Wissenschaftsgemeinschaft zur Verfügung zu stellen.
    - Struktur der Tags Der Vergleich von zwei großen Tagging-Systemen hat große Ähnlichkeiten in der grammatikalischen Struktur der Tagging-Daten ergeben. Es werden mehrheitlich Substantive bzw. Eigennamen zur Erschließung sowie auch Verben zur Organisation der Quellen eingesetzt. Systembedingt kann außerdem eine große Menge von Wortkombinationen und Wortneuschöpfungen konstatiert werden, die aus den unterschiedlichsten Beweggründen und für sehr unterschiedliche Zwecke gebildet werden. Nur ein geringer Teil der Tags entspricht den formalen Kriterien kontrollierter Vokabulare. Eine besondere Hierarchisierung der Tags innerhalb eines Tagging-Systems über den Indikator der Häufigkeit der Nutzung hinaus hat sich nicht ergeben. In inhaltlicher Hinsicht hat sich eine klare Dominanz informatiknaher bzw. naturwissenschaftlicher Disziplinen gezeigt, wobei es sich hierbei um systemspezifische Präferenzen handelt. Insgesamt ist eine klare Tendenz zu zunehmender inhaltlicher Diversifikation in den Tagging-Systemen zu erkennen, was mit hoher Wahrscheinlichkeit der wachsenden Akzeptanz durch breitere Nutzergruppen zuzuschreiben ist. - Qualität der Tags Bei der Evaluation der Qualität der Tags bestätigte sich die Einschätzung, dass sich die Verschlagwortung mittels Tagging von jener durch Fachreferenten grundsätzlich unterscheidet. Nur ein kleiner Teil der Konzepte wurde in den beiden Systemen semantisch identisch oder wenigstens analog vergeben. Grundsätzlich liegen für eine Ressource fast immer mehr Tags als Schlagwörter vor, die zudem wesentlich häufiger exklusiv im Tagging-System zu finden sind. Diese Tatsache berührt jedoch nicht den inhaltlichen Erschließungsgrad einer Quelle, der sich trotz einer geringeren Anzahl an SWD-Schlagwörtern pro Ressource in beiden Systemen als gleichwertig gezeigt hat. Dennoch ist das Ausmaß der semantischen Abdeckung des Taggings überraschend, da sie der allgemeinen Erwartungshaltung von einer deutlich höheren Qualität der Verschlagwortung durch die professionelle Inhaltserschließung teilweise widerspricht. Diese Erwartung ist zumindest bezüglich der inhaltlichen Dimension zu relativieren.
    - Fazit Der Beitrag des Taggings im Rahmen des bibliothekarischen Kontextes ist vor allem in der ergänzenden Erweiterung der Recherche- und Literaturverwaltungsfunktionalitäten der Online-Kataloge zu sehen. Durch Tagging können diese um eine nutzerorientierte Komponente ergänzt werden und signifkant an Attraktivität gewinnen. Systeme mit einem begrenzten Nutzerkreis sind allerdings zugunsten der Anbindung an etablierte Systeme zu vernachlässigen. Diese können einen parallel existierenden Zugang zu den vorhandenen Ressourcen liefern, der seine Stärken in einer explorativen, eher "unscharfen" Recherche entfaltet. Somit wird einem speziellen Bedürfnis der Nutzerinnen und Nutzer Rechnung getragen, dem durch die voraussetzungsreiche Verwendung von präzisen bibliothekarischen Schlagwörtern nicht immer entsprochen werden kann. Bezüglich der inhaltlichen Abdeckung einer Ressource erfüllt das Tagging jedenfalls die Anforderungen eines Recherchesystems, insofern eine ausreichende Mindestanzahl von Tags vorliegt. Natürlich ist es sehr wichtig, die Nutzerinnen und Nutzer ausreichend darüber zu informieren, dass Tagging - wie alle anderen Erschließungsmethoden auch - keine vollständige Abbildung der verfügbaren Ressourcen leistet. Es stellt lediglich einen von verschiedenen Zugangswegen mit spezifischen Besonderheiten und Ergebnissen zur Verfügung. Eine Kombination der Erschließungsverfahren "Fachreferenten", "Tagging" und "automatisch" ist hingegen nur für sehr spezielle Zielsetzungen und als Abfolge von Ergänzungs- und Aktualisierungsschritten sinnvoll. Eine gleichzeitige Integration der Verfahren würde aufgrund ihrer erheblichen Unterschiede eine deutliche Verschlechterung der Erschließungsqualität zur Folge haben. Sinnvoll ist daher eine gleichberechtigte Bereitstellung dieser Zugangswege bei sichtbarer Trennung für die Nutzer. Auf diese Weise können die Vorteile aller Verfahren genutzt werden, ohne sich ihre jeweiligen Nachteile zu eigen zu machen."
    Type
    a
  7. Heller, L.: Sacherschließung von Literatur in und mit der Wikipedia - einfach anfangen? (2011) 0.02 
    0.016346343 = product of:
  0.06538537 = sum of:
    0.06538537 = weight(_text_:von in 4424) [ClassicSimilarity], result of:
      0.06538537 = score(doc=4424,freq=6.0), product of:
        0.12806706 = queryWeight, product of:
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.04800207 = queryNorm
        0.51055574 = fieldWeight in 4424, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.078125 = fieldNorm(doc=4424)
  0.25 = coord(1/4)
    Footnote
    Fortsetzung von "Sacherschließung von Literatur in und mit der Wikipedia: eine Spielidee" unter: http://biblionik.de/2010/08/04/sacherschliessung-mit-wikipedia-spielidee/. Fortsetzung (LITurgy) unter: http://wp.me/p1tS0f-49.
  8. Peters, I.; Schumann, L.; Terliesner, J.: Folksonomy-basiertes Information Retrieval unter der Lupe (2012) 0.01 
    0.014035223 = product of:
  0.028070446 = sum of:
    0.026425181 = weight(_text_:von in 406) [ClassicSimilarity], result of:
      0.026425181 = score(doc=406,freq=2.0), product of:
        0.12806706 = queryWeight, product of:
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.04800207 = queryNorm
        0.20633863 = fieldWeight in 406, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.0546875 = fieldNorm(doc=406)
    0.0016452647 = product of:
      0.004935794 = sum of:
        0.004935794 = weight(_text_:a in 406) [ClassicSimilarity], result of:
          0.004935794 = score(doc=406,freq=2.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.089176424 = fieldWeight in 406, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.0546875 = fieldNorm(doc=406)
      0.33333334 = coord(1/3)
  0.5 = coord(2/4)
    Abstract
    Social Tagging ist eine weitverbreitete Methode, um nutzergenerierte Inhalte in Webdiensten zu indexieren. Dieser Artikel fasst die aktuelle Forschung zu Folksonomies und Effektivität von Tags in Retrievalsystemen zusammen. Es wurde ein TREC-ähnlicher Retrievaltest mit Tags und Ressourcen aus dem Social Bookmarking-Dienst delicious durchgeführt, welcher in Recall- und Precisionwerten für ausschließlich Tag-basierte Suchen resultierte. Außerdem wurden Tags in verschiedenen Stufen bereinigt und auf ihre Retrieval-Effektivität getestet. Testergebnisse zeigen, dass Retrieval in Folksonomies am besten mit kurzen Anfragen funktioniert. Hierbei sind die Recallwerte hoch, die Precisionwerte jedoch eher niedrig. Die Suchfunktion "power tags only" liefert verbesserte Precisionwerte.
    Type
    a
  9. Lin, N.; Li, D.; Ding, Y.; He, B.; Qin, Z.; Tang, J.; Li, J.; Dong, T.: ¬The dynamic features of Delicious, Flickr, and YouTube (2012) 0.01 
    0.014029406 = product of:
  0.056117624 = sum of:
    0.056117624 = product of:
      0.084176436 = sum of:
        0.00863584 = weight(_text_:a in 4970) [ClassicSimilarity], result of:
          0.00863584 = score(doc=4970,freq=12.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.15602624 = fieldWeight in 4970, product of:
              3.4641016 = tf(freq=12.0), with freq of:
                12.0 = termFreq=12.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.0390625 = fieldNorm(doc=4970)
        0.075540595 = weight(_text_:z in 4970) [ClassicSimilarity], result of:
          0.075540595 = score(doc=4970,freq=2.0), product of:
            0.2562021 = queryWeight, product of:
              5.337313 = idf(docFreq=577, maxDocs=44218)
              0.04800207 = queryNorm
            0.29484767 = fieldWeight in 4970, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              5.337313 = idf(docFreq=577, maxDocs=44218)
              0.0390625 = fieldNorm(doc=4970)
      0.6666667 = coord(2/3)
  0.25 = coord(1/4)
    Abstract
    This article investigates the dynamic features of social tagging vocabularies in Delicious, Flickr, and YouTube from 2003 to 2008. Three algorithms are designed to study the macro- and micro-tag growth as well as the dynamics of taggers' activities, respectively. Moreover, we propose a Tagger Tag Resource Latent Dirichlet Allocation (TTR-LDA) model to explore the evolution of topics emerging from those social vocabularies. Our results show that (a) at the macro level, tag growth in all the three tagging systems obeys power law distribution with exponents lower than 1; at the micro level, the tag growth of popular resources in all three tagging systems follows a similar power law distribution; (b) the exponents of tag growth vary in different evolving stages of resources; (c) the growth of number of taggers associated with different popular resources presents a feature of convergence over time; (d) the active level of taggers has a positive correlation with the macro-tag growth of different tagging systems; and (e) some topics evolve into several subtopics over time while others experience relatively stable stages in which their contents do not change much, and certain groups of taggers continue their interests in them.
    Type
    a
  10. Li, D.; Ding, Y.; Sugimoto, C.; He, B.; Tang, J.; Yan, E.; Lin, N.; Qin, Z.; Dong, T.: Modeling topic and community structure in social tagging : the TTR-LDA-Community model (2011) 0.01 
    0.013421084 = product of:
  0.053684335 = sum of:
    0.053684335 = product of:
      0.0805265 = sum of:
        0.0049859053 = weight(_text_:a in 4759) [ClassicSimilarity], result of:
          0.0049859053 = score(doc=4759,freq=4.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.090081796 = fieldWeight in 4759, product of:
              2.0 = tf(freq=4.0), with freq of:
                4.0 = termFreq=4.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.0390625 = fieldNorm(doc=4759)
        0.075540595 = weight(_text_:z in 4759) [ClassicSimilarity], result of:
          0.075540595 = score(doc=4759,freq=2.0), product of:
            0.2562021 = queryWeight, product of:
              5.337313 = idf(docFreq=577, maxDocs=44218)
              0.04800207 = queryNorm
            0.29484767 = fieldWeight in 4759, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              5.337313 = idf(docFreq=577, maxDocs=44218)
              0.0390625 = fieldNorm(doc=4759)
      0.6666667 = coord(2/3)
  0.25 = coord(1/4)
    Abstract
    The presence of social networks in complex systems has made networks and community structure a focal point of study in many domains. Previous studies have focused on the structural emergence and growth of communities and on the topics displayed within the network. However, few scholars have closely examined the relationship between the thematic and structural properties of networks. Therefore, this article proposes the Tagger Tag Resource-Latent Dirichlet Allocation-Community model (TTR-LDA-Community model), which combines the Latent Dirichlet Allocation (LDA) model with the Girvan-Newman community detection algorithm through an inference mechanism. Using social tagging data from Delicious, this article demonstrates the clustering of active taggers into communities, the topic distributions within communities, and the ranking of taggers, tags, and resources within these communities. The data analysis evaluates patterns in community structure and topical affiliations diachronically. The article evaluates the effectiveness of community detection and the inference mechanism embedded in the model and finds that the TTR-LDA-Community model outperforms other traditional models in tag prediction. This has implications for scholars in domains interested in community detection, profiling, and recommender systems.
    Type
    a
  11. Heller, L.: Sacherschließung von Literatur in und mit der Wikipedia : eine Spielidee (2010) 0.01 
    0.013346733 = product of:
  0.05338693 = sum of:
    0.05338693 = weight(_text_:von in 4428) [ClassicSimilarity], result of:
      0.05338693 = score(doc=4428,freq=4.0), product of:
        0.12806706 = queryWeight, product of:
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.04800207 = queryNorm
        0.416867 = fieldWeight in 4428, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.078125 = fieldNorm(doc=4428)
  0.25 = coord(1/4)
    Footnote
    Fortsetzung "Sacherschließung von Literatur in und mit der Wikipedia - einfach anfangen?" unter: http://biblionik.de/2011/04/06/anfangen/.
  12. Frohner, H.: Social Tagging : Grundlagen, Anwendungen, Auswirkungen auf Wissensorganisation und soziale Strukturen der User (2010) 0.01 
    0.013346733 = product of:
  0.05338693 = sum of:
    0.05338693 = weight(_text_:von in 4723) [ClassicSimilarity], result of:
      0.05338693 = score(doc=4723,freq=16.0), product of:
        0.12806706 = queryWeight, product of:
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.04800207 = queryNorm
        0.416867 = fieldWeight in 4723, product of:
          4.0 = tf(freq=16.0), with freq of:
            16.0 = termFreq=16.0
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.0390625 = fieldNorm(doc=4723)
  0.25 = coord(1/4)
    Abstract
    Social Tagging ist eine Methode zur semantischen Datenorganisation. Im Unterschied zu traditionellen Ansätzen wird die Kategorisierung nicht von Experten vorgenommen, sondern von einer Vielzahl von Benutzern gemeinschaftlich entwickelt. Bezüglich der Daten existieren grundsätzlich keinerlei Einschränkungen. Dabei kann es sich sowohl um multimediale Inhalte als auch um wissenschaftliche Literatur handeln. Jeder Benutzer, unabhängig von Expertise oder Intention, ist aufgefordert, mithilfe von frei gewählten Tags die Kategorisierung der verwendeten Ressourcen zu unterstützen. Insgesamt entsteht dadurch eine Sammlung verschiedenster subjektiver Einschätzungen, die zusammen eine umfassende semantische Organisation bestimmter Inhalte darstellen. Ziel dieses Buches ist es, zunächst die Grundlagen und Anwendungen von Social Tagging zu erörtern und dann speziell die Effekte im Hinblick auf die Wissensorganisation und die sozialen Beziehungen der Benutzer zu analysieren. Eines der zentralen Ergebnisse dieser Arbeit ist die Erkenntnis, dass die gemeinschaftlich erzeugten Metadaten eine unerwartet hohe Qualität bzw. Bedeutsamkeit aufweisen, obwohl Mehrdeutigkeiten und verschiedene Schreibweisen diese negativ beeinflussen könnten. Social Tagging ist besonders effektiv für die Organisation von sehr großen oder auch heterogenen Daten-beständen, die mit herkömmlichen, experten-basierten Kategorisierungsverfahren nicht mehr verarbeitet werden können oder durch automatische Verfahren qualitativ schlechter indexiert werden. Durch Social Tagging wird nicht nur die Wissensorganisation gefördert, sondern darüber hinaus auch die Zusammenarbeit und der Aufbau von Communities, weshalb Social Tagging auch effizient in der Lehre eingesetzt werden kann.
  13. Heck, T.: Analyse von sozialen Informationen für Autorenempfehlungen (2012) 0.01 
    0.012030191 = product of:
  0.024060382 = sum of:
    0.022650154 = weight(_text_:von in 407) [ClassicSimilarity], result of:
      0.022650154 = score(doc=407,freq=2.0), product of:
        0.12806706 = queryWeight, product of:
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.04800207 = queryNorm
        0.17686167 = fieldWeight in 407, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.046875 = fieldNorm(doc=407)
    0.001410227 = product of:
      0.004230681 = sum of:
        0.004230681 = weight(_text_:a in 407) [ClassicSimilarity], result of:
          0.004230681 = score(doc=407,freq=2.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.07643694 = fieldWeight in 407, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.046875 = fieldNorm(doc=407)
      0.33333334 = coord(1/3)
  0.5 = coord(2/4)
    Type
    a
  14. Heller, L.: Ordnung des Thesaurus, Anarchie des Taggens : im Bibliothekskatalog glücklich vereint? (2011) 0.01 
    0.011325077 = product of:
  0.04530031 = sum of:
    0.04530031 = weight(_text_:von in 2957) [ClassicSimilarity], result of:
      0.04530031 = score(doc=2957,freq=2.0), product of:
        0.12806706 = queryWeight, product of:
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.04800207 = queryNorm
        0.35372335 = fieldWeight in 2957, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.6679487 = idf(docFreq=8340, maxDocs=44218)
          0.09375 = fieldNorm(doc=2957)
  0.25 = coord(1/4)
    Abstract
    Neue Webdienste vereinen die Vorteile von Thesauri und durch privates "Tagging" gewonnenen "Ego-Daten".
  15. Yi, K.: Harnessing collective intelligence in social tagging using Delicious (2012) 0.01 
    0.00708165 = product of:
  0.0283266 = sum of:
    0.0283266 = product of:
      0.0424899 = sum of:
        0.0099718105 = weight(_text_:a in 515) [ClassicSimilarity], result of:
          0.0099718105 = score(doc=515,freq=16.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.18016359 = fieldWeight in 515, product of:
              4.0 = tf(freq=16.0), with freq of:
                16.0 = termFreq=16.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.0390625 = fieldNorm(doc=515)
        0.032518093 = weight(_text_:22 in 515) [ClassicSimilarity], result of:
          0.032518093 = score(doc=515,freq=2.0), product of:
            0.16809508 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.04800207 = queryNorm
            0.19345059 = fieldWeight in 515, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0390625 = fieldNorm(doc=515)
      0.6666667 = coord(2/3)
  0.25 = coord(1/4)
    Abstract
    A new collaborative approach in information organization and sharing has recently arisen, known as collaborative tagging or social indexing. A key element of collaborative tagging is the concept of collective intelligence (CI), which is a shared intelligence among all participants. This research investigates the phenomenon of social tagging in the context of CI with the aim to serve as a stepping-stone towards the mining of truly valuable social tags for web resources. This study focuses on assessing and evaluating the degree of CI embedded in social tagging over time in terms of two-parameter values, number of participants, and top frequency ranking window. Five different metrics were adopted and utilized for assessing the similarity between ranking lists: overlapList, overlapRank, Footrule, Fagin's measure, and the Inverse Rank measure. The result of this study demonstrates that a substantial degree of CI is most likely to be achieved when somewhere between the first 200 and 400 people have participated in tagging, and that a target degree of CI can be projected by controlling the two factors along with the selection of a similarity metric. The study also tests some experimental conditions for detecting social tags with high CI degree. The results of this study can be applicable to the study of filtering social tags based on CI; filtered social tags may be utilized for the metadata creation of tagged resources and possibly for the retrieval of tagged resources.
    Date
    25.12.2012 15:22:37
    Type
    a
  16. Qin, C.; Liu, Y.; Mou, J.; Chen, J.: User adoption of a hybrid social tagging approach in an online knowledge community (2019) 0.01 
    0.00708165 = product of:
  0.0283266 = sum of:
    0.0283266 = product of:
      0.0424899 = sum of:
        0.0099718105 = weight(_text_:a in 5492) [ClassicSimilarity], result of:
          0.0099718105 = score(doc=5492,freq=16.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.18016359 = fieldWeight in 5492, product of:
              4.0 = tf(freq=16.0), with freq of:
                16.0 = termFreq=16.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.0390625 = fieldNorm(doc=5492)
        0.032518093 = weight(_text_:22 in 5492) [ClassicSimilarity], result of:
          0.032518093 = score(doc=5492,freq=2.0), product of:
            0.16809508 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.04800207 = queryNorm
            0.19345059 = fieldWeight in 5492, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0390625 = fieldNorm(doc=5492)
      0.6666667 = coord(2/3)
  0.25 = coord(1/4)
    Abstract
    Purpose Online knowledge communities make great contributions to global knowledge sharing and innovation. Resource tagging approaches have been widely adopted in such communities to describe, annotate and organize knowledge resources mainly through users' participation. However, it is unclear what causes the adoption of a particular resource tagging approach. The purpose of this paper is to identify factors that drive users to use a hybrid social tagging approach. Design/methodology/approach Technology acceptance model and social cognitive theory are adopted to support an integrated model proposed in this paper. Zhihu, one of the most popular online knowledge communities in China, is taken as the survey context. A survey was conducted with a questionnaire and collected data were analyzed through structural equation model. Findings A new hybrid social resource tagging approach was refined and described. The empirical results revealed that self-efficacy, perceived usefulness (PU) and perceived ease of use exert positive effect on users' attitude. Moreover, social influence, PU and attitude impact significantly on users' intention to use a hybrid social resource tagging approach. Originality/value Theoretically, this study enriches the type of resource tagging approaches and recognizes factors influencing user adoption to use it. Regarding the practical parts, the results provide online information system providers and designers with referential strategies to improve the performance of the current tagging approaches and promote them.
    Date
    20. 1.2015 18:30:22
    Type
    a
  17. Choi, Y.; Syn, S.Y.: Characteristics of tagging behavior in digitized humanities online collections (2016) 0.01 
    0.0067335833 = product of:
  0.026934333 = sum of:
    0.026934333 = product of:
      0.0404015 = sum of:
        0.007883408 = weight(_text_:a in 2891) [ClassicSimilarity], result of:
          0.007883408 = score(doc=2891,freq=10.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.14243183 = fieldWeight in 2891, product of:
              3.1622777 = tf(freq=10.0), with freq of:
                10.0 = termFreq=10.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.0390625 = fieldNorm(doc=2891)
        0.032518093 = weight(_text_:22 in 2891) [ClassicSimilarity], result of:
          0.032518093 = score(doc=2891,freq=2.0), product of:
            0.16809508 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.04800207 = queryNorm
            0.19345059 = fieldWeight in 2891, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0390625 = fieldNorm(doc=2891)
      0.6666667 = coord(2/3)
  0.25 = coord(1/4)
    Abstract
    The purpose of this study was to examine user tags that describe digitized archival collections in the field of humanities. A collection of 8,310 tags from a digital portal (Nineteenth-Century Electronic Scholarship, NINES) was analyzed to find out what attributes of primary historical resources users described with tags. Tags were categorized to identify which tags describe the content of the resource, the resource itself, and subjective aspects (e.g., usage or emotion). The study's findings revealed that over half were content-related; tags representing opinion, usage context, or self-reference, however, reflected only a small percentage. The study further found that terms related to genre or physical format of a resource were frequently used in describing primary archival resources. It was also learned that nontextual resources had lower numbers of content-related tags and higher numbers of document-related tags than textual resources and bibliographic materials; moreover, textual resources tended to have more user-context-related tags than other resources. These findings help explain users' tagging behavior and resource interpretation in primary resources in the humanities. Such information provided through tags helps information professionals decide to what extent indexing archival and cultural resources should be done for resource description and discovery, and understand users' terminology.
    Date
    21. 4.2016 11:23:22
    Type
    a
  18. Tsui, E.; Wang, W.M.; Cheung, C.F.; Lau, A.S.M.: ¬A concept-relationship acquisition and inference approach for hierarchical taxonomy construction from tags (2010) 0.00 
    0.0010593012 = product of:
  0.004237205 = sum of:
    0.004237205 = product of:
      0.012711613 = sum of:
        0.012711613 = weight(_text_:a in 4220) [ClassicSimilarity], result of:
          0.012711613 = score(doc=4220,freq=26.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.22966442 = fieldWeight in 4220, product of:
              5.0990195 = tf(freq=26.0), with freq of:
                26.0 = termFreq=26.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.0390625 = fieldNorm(doc=4220)
      0.33333334 = coord(1/3)
  0.25 = coord(1/4)
    Abstract
    Taxonomy construction is a resource-demanding, top-down, and time consuming effort. It does not always cater for the prevailing context of the captured information. This paper proposes a novel approach to automatically convert tags into a hierarchical taxonomy. Folksonomy describes the process by which many users add metadata in the form of keywords or tags to shared content. Using folksonomy as a knowledge source for nominating tags, the proposed method first converts the tags into a hierarchy. This serves to harness a core set of taxonomy terms; the generated hierarchical structure facilitates users' information navigation behavior and permits personalizations. Newly acquired tags are then progressively integrated into a taxonomy in a largely automated way to complete the taxonomy creation process. Common taxonomy construction techniques are based on 3 main approaches: clustering, lexico-syntactic pattern matching, and automatic acquisition from machine-readable dictionaries. In contrast to these prevailing approaches, this paper proposes a taxonomy construction analysis based on heuristic rules and deep syntactic analysis. The proposed method requires only a relatively small corpus to create a preliminary taxonomy. The approach has been evaluated using an expert-defined taxonomy in the environmental protection domain and encouraging results were yielded.
    Type
    a
  19. Sun, A.; Bhowmick, S.S.; Nguyen, K.T.N.; Bai, G.: Tag-based social image retrieval : an empirical evaluation (2011) 0.00 
    0.0010177437 = product of:
  0.004070975 = sum of:
    0.004070975 = product of:
      0.012212924 = sum of:
        0.012212924 = weight(_text_:a in 4938) [ClassicSimilarity], result of:
          0.012212924 = score(doc=4938,freq=24.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.22065444 = fieldWeight in 4938, product of:
              4.8989797 = tf(freq=24.0), with freq of:
                24.0 = termFreq=24.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.0390625 = fieldNorm(doc=4938)
      0.33333334 = coord(1/3)
  0.25 = coord(1/4)
    Abstract
    Tags associated with social images are valuable information source for superior image search and retrieval experiences. Although various heuristics are valuable to boost tag-based search for images, there is a lack of general framework to study the impact of these heuristics. Specifically, the task of ranking images matching a given tag query based on their associated tags in descending order of relevance has not been well studied. In this article, we take the first step to propose a generic, flexible, and extensible framework for this task and exploit it for a systematic and comprehensive empirical evaluation of various methods for ranking images. To this end, we identified five orthogonal dimensions to quantify the matching score between a tagged image and a tag query. These five dimensions are: (i) tag relatedness to measure the degree of effectiveness of a tag describing the tagged image; (ii) tag discrimination to quantify the degree of discrimination of a tag with respect to the entire tagged image collection; (iii) tag length normalization analogous to document length normalization in web search; (iv) tag-query matching model for the matching score computation between an image tag and a query tag; and (v) query model for tag query rewriting. For each dimension, we identify a few implementations and evaluate their impact on NUS-WIDE dataset, the largest human-annotated dataset consisting of more than 269K tagged images from Flickr. We evaluated 81 single-tag queries and 443 multi-tag queries over 288 search methods and systematically compare their performances using standard metrics including Precision at top-K, Mean Average Precision (MAP), Recall, and Normalized Discounted Cumulative Gain (NDCG).
    Type
    a
  20. Watters, C.; Nizam, N.: Knowledge organization on the Web : the emergent role of social classification (2012) 0.00 
    0.0010075148 = product of:
  0.004030059 = sum of:
    0.004030059 = product of:
      0.012090176 = sum of:
        0.012090176 = weight(_text_:a in 828) [ClassicSimilarity], result of:
          0.012090176 = score(doc=828,freq=12.0), product of:
            0.055348642 = queryWeight, product of:
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.04800207 = queryNorm
            0.21843673 = fieldWeight in 828, product of:
              3.4641016 = tf(freq=12.0), with freq of:
                12.0 = termFreq=12.0
              1.153047 = idf(docFreq=37942, maxDocs=44218)
              0.0546875 = fieldNorm(doc=828)
      0.33333334 = coord(1/3)
  0.25 = coord(1/4)
    Abstract
    There are close to a billion websites on the Internet with approximately 400 million users worldwide [www.internetworldstats.com]. People go to websites for a wide variety of different information tasks, from finding a restaurant to serious research. Many of the difficulties with searching the Web, as it is structured currently, can be attributed to increases to scale. The content of the Web is now so large that we only have a rough estimate of the number of sites and the range of information is extremely diverse, from blogs and photos to research articles and news videos.
    Source
    Categories, contexts and relations in knowledge organization: Proceedings of the Twelfth International ISKO Conference 6-9 August 2012, Mysore, India. Eds.: Neelameghan, A. u. K.S. Raghavan
    Type
    a

Authors

Languages

  • e 61
  • d 12

Types

  • a 67
  • el 5
  • m 3
  • s 1
  • More… Less…

Themes

Subjects

Classifications