通过学习潜在语义表征实现个性化视觉艺术推荐
信息检索
2020-11-11 v1 计算与语言
摘要
在推荐系统中，数据表示技术发挥着重要作用，因为它们能够纠缠、隐藏并揭示数据集中嵌入的解释性因子，从而影响推荐质量。具体而言，在视觉艺术（VA）推荐中，画作所蕴含概念的复杂性使得机器捕捉语义的任务远非易事。在 VA 推荐中，代表性工作通常使用人工策展的元数据来驱动推荐。该领域近期工作旨在利用深度神经网络（DNN）提取的视觉特征。然而，此类数据表示方法资源消耗大且缺乏直接可解释性，阻碍了用户接受度。为应对这些局限，我们提出了一种基于学习画作潜在语义表征的个性化视觉艺术推荐方法。具体而言，我们在画作文本描述上训练了潜在狄利克雷分配（LDA）模型。我们的 LDA 模型成功揭示了画作间非显而易见的语义关系，同时能够提供可解释的推荐。实验评估表明，我们的方法倾向于优于利用预训练深度神经网络提取的视觉特征的方法。
引用
@article{arxiv.2008.02687,
title = {Personalised Visual Art Recommendation by Learning Latent Semantic Representations},
author = {Bereket Abera Yilma and Najib Aghenda and Marcelo Romero and Yannick Naudet and Herve Panetto},
journal= {arXiv preprint arXiv:2008.02687},
year = {2020}
}
备注
Accepted at SMAP2020