Рекомендация по художественному оформлению на основе контента: интеграция метаданных живописи с нейронными и созданными вручную визуальными функциями.

Пабло Мессина, Висенте Домингес, Денис Парра, Кристоф Траттнер, Альваро Сото

В этом документе обсуждаются различные способы выполнения рекомендаций на основе контента в контексте произведений искусства на веб-сайте в Интернете. Эти картины единственные в своем роде, поэтому совместная фильтрация невозможна. Для выполнения рекомендации исследуются различные методы, такие как Самое популярное значение курируемого атрибута, Любимый исполнитель, а также визуальные функции: извлеченные из CNN и более традиционные методы, такие как LBP. Методы сравниваются с различными показателями, а также объединяются для создания гибридных систем.

Можно ли было выполнить точную настройку CNN, используемой для извлечения признаков? Они могли бы использовать предварительно обученную сеть и обучить ее набору данных об искусстве, пытаясь предсказать атрибуты из метаданных. Возможно, таким образом сеть будет лучше подходить для извлечения соответствующих черт из картин.

Я нахожу интересным использование LBP для извлечения признаков. Традиционный метод LBP требует изображения в градациях серого, и я думаю, что любой покупатель произведений искусства скажет вам, что цвет — один из самых важных атрибутов произведения искусства. Интересно, что LBP была полезной чертой гибридных методов с 14,5% обдумыванием, так что это указывает на то, что помимо цвета есть и другие сильные стороны картины.

Интересно, почему они использовали экспертов-кураторов для проверки рекомендаций системы, когда конечные пользователи не эксперты, а обычные люди, ищущие искусство. Более того, все эти эксперты были частью UGallery, поэтому на определенном уровне они поддерживают успех системы. Это создает некоторую предвзятость, и рекомендации могут быть немного лучше, чем для нейтрального человека. Использование только 8 экспертов также не помогло, так как большее количество образцов от разных людей могло бы помочь уменьшить эту небольшую погрешность.

Я нахожу замечательным, что в статье точность была не единственной используемой метрикой, а также учитывались разнообразие и охват. Тем не менее, при использовании охвата они рассчитывали охват пользователей и охват сеансов , когда, вероятно, для магазина наиболее важным является охват товара. Я так думаю, потому что магазин не хочет, чтобы некоторые картины никогда не рекомендовались, а вы должны стараться рекомендовать каждого художника.