基于MPEG-7与深度学习的电影场面调度视觉特征推荐

物品特征在电影推荐系统中起着重要作用，其中可利用用户对传统特征（属性）如标签、类型和演员的显式或隐式偏好来生成推荐。通常，电影特征由人工生成，无论是编辑式（例如类型和演员）还是利用群体智慧（例如标签），因此容易产生噪声且收集成本高。此外，这些特征对于新物品往往稀少或缺失，导致难以甚至无法提供高质量推荐。在本文中，我们表明用户对电影的偏好可以更好地用场面调度(mise-en-scène)特征来描述，即表征电影设计、美学和风格的视觉方面（例如颜色、纹理）。我们使用MPEG-7视觉描述符和深度学习隐藏层作为可视觉描述电影的场面调度特征示例。有趣的是，场面调度特征可从视频文件甚至预告片自动计算，从而在处理新物品时提供更大灵活性，避免需要昂贵且易出错的人工标注，并具有良好的可扩展性。我们在一个包含4K电影的大型目录上进行了一系列实验。结果表明，基于场面调度特征的推荐相对于更丰富的传统特征集（如类型和标签）始终提供最佳性能。