Context-aware visual scene modeling for cinematic media using a minimum-attribute-difference ranking algorithm

Hamdy F. Abdulkarem

doi:10.1007/s11042-026-21850-1

2026-08-20

PRE

Hamdy F. Abdulkarem

Mostafa I. Soliman

Ghada Abozaid *

DOI：10.1007/s11042-026-21850-1

原文链接

摘要

En 中文

情境感知多媒体系统需要视觉内容的结构化表示来支持智能场景理解和推荐。然而，大多数现有的电影推荐系统主要依赖高级元数据，并未利用有助于视觉叙事的精细级电影属性。为解决此局限性，本文提出CarMovie，一个情境感知、基于内容的推荐框架，该框架将电影场景建模为基于地点、时间和情绪定义的结构化情境实例，并将其与包括色彩方案和镜头类型在内的视觉属性相关联。通过结构化标注协议从真实电影构建情境标注的电影数据集，以支持情境场景分析与推荐。为使推荐高效且可解释，该框架整合了最小属性差异（MAD）排序机制，该机制使用二进制特征编码进行基于参考的、属性级比较。与基于全局向量比较的常规相似度度量不同，MAD通过结构化属性匹配优先保证情境一致性，同时保持低计算复杂度。实现了一个移动原型系统以展示所提框架的实用性。采用包含通用和个性化推荐场景的阶段性实验设置，使用真实电影数据进行评估。结果表明，在受控评估设置下，精确度始终较高，而召回率、F度量值和准确率在情境个性化后分别从24.67%提升至38.10%、39.57%提升至55.17%以及24.67%提升至91.33%。这些发现表明，结构化情境建模可有效提升推荐质量，尽管召回率仍受数据集稀疏性和情境覆盖范围的影响。所提框架整合了情境场景建模与可解释的属性级排序，建立了推荐系统与电影摄影之间的联系，并支持多媒体环境中电影视觉属性的精细级推荐。

Keyword:

Context-aware recommendation system

Visual story

Movie

Context

Visual approach