CuratorNet：艺术品图像的可视化感知推荐
信息检索
2020-10-01 v2 机器学习
摘要
尽管在时尚甚至电影等领域已有若干可视化感知推荐模型，尽管在线艺术品市场近期有所增长，艺术领域仍缺乏同等水平的研究关注。为缩小这一差距，本文引入 CuratorNet，一种用于艺术品图像可视化感知推荐的神经网络架构。CuratorNet 的核心设计目标是最大化泛化能力：网络具有一组固定参数，仅需训练一次，此后模型能够泛化至此前未见过的新用户或新物品，无需进一步训练。这通过利用视觉内容实现：物品通过视觉嵌入映射为物品向量，用户通过聚合其消费过的物品的视觉内容映射为用户向量。除模型架构外，我们还引入了新的三元组采样策略，以在艺术领域构建用于排序学习的训练集，相比朴素随机采样实现了更有效的学习。在真实世界实体画作数据集上的评估表明，CuratorNet 在多个基线（包括最先进的模型 VBPR）中取得了最佳性能。CuratorNet 的动机与评估均在艺术领域，但其架构与训练方案可调整用于推荐其他领域的图像。
引用
@article{arxiv.2009.04426,
title = {CuratorNet: Visually-aware Recommendation of Art Images},
author = {Pablo Messina and Manuel Cartagena and Patricio Cerda-Mardini and Felipe del Rio and Denis Parra},
journal= {arXiv preprint arXiv:2009.04426},
year = {2020}
}