Dublin Core
Title
Algorithms for visual art recommendation : leveraging visual features, metadata and implicit feedback
Subject
006.32
Ciencias de la computación
Redes neurales (Ciencia de la computación)
Algoritmos computacionales
Arte digital
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2019
Los Sistemas Recomendadores nos ayudan a lidiar con la sobrecarga de información
mediante la sugerencia de ítems relevantes conforme a nuestras preferencias. Si bien hay
una gran cantidad de investigación en áreas como películas o música, la recomendación
de obras de arte ha recibido comparativamente poca atención, a pesar del continuo crecimiento del mercado de arte. La mayoría de la investigación previa ha dependido de ratings y metadatos, y unos pocos trabajos recientes han aprovechado descriptores visuales
extraídos con redes neuronales convolucionales (CNN) para recomendar arte digital. En
este trabajo, contribuimos al área de recomendación de pinturas físicas originales mediante el estudio de algoritmos de recomendación basados en diferentes fuentes de información: metadatos, descriptores visuales hechos a mano, descriptores visuales neuronales e información colaborativa de la retroalimentación implícita de los usuarios. Implementamos y evaluamos nuestros algoritmos usando datos transaccionales de UGallery.com,
una tienda de arte en línea. Además, proponemos un modelo de red neuronal novedoso
para la tarea de recomendación de arte que combina contenido e información colaborativa. Lo llamamos YT-VBPR ya que esta inspirado en ideas del sistema de recomendación de aprendizaje profundo de Youtube y VBPR (un método de recomendación estado del arte que incorpora información visual). Nuestros resultados muestran que entre todos los métodos probados, YT-VBPR alcanza los mejores resultados. Además, una vez entrenado, YT-VBPR sólo necesita imágenes como entrada para recomendar, permitiendo generalizar fácilmente a nuevos usuarios e ítems sin entrenamiento adicional. Nuestra investigación puede proveer observaciones valiosas a investigadores y desarrolladores en el dominio
de recomendación de arte en particular, y también a aquellos interesados en métodos de recomendación con contenido visual en general.
mediante la sugerencia de ítems relevantes conforme a nuestras preferencias. Si bien hay
una gran cantidad de investigación en áreas como películas o música, la recomendación
de obras de arte ha recibido comparativamente poca atención, a pesar del continuo crecimiento del mercado de arte. La mayoría de la investigación previa ha dependido de ratings y metadatos, y unos pocos trabajos recientes han aprovechado descriptores visuales
extraídos con redes neuronales convolucionales (CNN) para recomendar arte digital. En
este trabajo, contribuimos al área de recomendación de pinturas físicas originales mediante el estudio de algoritmos de recomendación basados en diferentes fuentes de información: metadatos, descriptores visuales hechos a mano, descriptores visuales neuronales e información colaborativa de la retroalimentación implícita de los usuarios. Implementamos y evaluamos nuestros algoritmos usando datos transaccionales de UGallery.com,
una tienda de arte en línea. Además, proponemos un modelo de red neuronal novedoso
para la tarea de recomendación de arte que combina contenido e información colaborativa. Lo llamamos YT-VBPR ya que esta inspirado en ideas del sistema de recomendación de aprendizaje profundo de Youtube y VBPR (un método de recomendación estado del arte que incorpora información visual). Nuestros resultados muestran que entre todos los métodos probados, YT-VBPR alcanza los mejores resultados. Además, una vez entrenado, YT-VBPR sólo necesita imágenes como entrada para recomendar, permitiendo generalizar fácilmente a nuevos usuarios e ítems sin entrenamiento adicional. Nuestra investigación puede proveer observaciones valiosas a investigadores y desarrolladores en el dominio
de recomendación de arte en particular, y también a aquellos interesados en métodos de recomendación con contenido visual en general.
Creator
Messina, Pablo
Date
2021-04-06T17:23:37Z
2021-04-06T17:23:37Z
2019
Contributor
Parra Santander, Denis
Pontificia Universidad Católica de Chile. Escuela de Ingeniería
Rights
acceso abierto
Format
xii, 73 páginas
application/pdf
Language
en
Type
tesis de maestría
Identifier
10.7764/tesisUC/ING/57259
https://doi.org/10.7764/tesisUC/ING/57259
https://repositorio.uc.cl/handle/11534/57259