Content based user preference modeling for image recommender systems

Abstract

Günümüzde büyük önem kazanan öneri sistemleri üzerinde birçok araştırmacı çalışmaktadır ve bu sistemlerden biri de resim önerisi sistemleridir. Tezimizin başlıca araştırma konusu görsel resim özelliklerinin, kullanıcıların resim beğenilerinden yola çıkılarak bir kullanıcı beğeni modeli oluşturmadaki kullanılabilirliğini ortaya çıkarmaktır. Ayrıca amacımız üretilen bu modelin resim önerisi sistemlerinde kullanılması ve bu yöntemin başarı performansının ölçülmesi üzerinedir. Bilgisayar görüsü alanında daha önceden üzerinde çalışılmış ve üretilmiş birçok resim tanımlayıcısı bulunmaktadır. Bu resim tanımlayıcıların ve kullanıcıların beğendikleri resimler arasında mantıklı bir ilişki ortaya çıkartılabilir. Ortaya çıkartılan bu ilişki modellenerek sistemdeki diğer resimler üzerinden kullanıcılara öneri yapmak üzere içerik tabanlı resim önerisi sistemlerinde kullanılabilir. Bunlarla birlikte, çok fazla sayıda resim içeren veritabanlarında bu tür içerik tabanlı öneri algoritmalarını çalıştırmak fazla performanslı değildir. Birbirlerine görsel tanımlayıcılar üzerinden ikili yakınlıkları ölçmek tüm veritabanı için oldukça uzun süren bir işlemdir. Tezimizin son olarak önerdiği temel amaç ise resimlerin görsel tanımlayıcı verilerini önceden kümelemek etmek ve bu kümeleri yeni tasarladığımız resim önerisi yönteminde kullanmaktır. Bu kümeleme yöntemi resim önerisi mekanizmasının çalışma hızını artıracağı gibi öneri performansını da diğer klasik algoritmalara göre artırdığı yaptığımız deneylerle ispatlanmıştır.

This thesis deals with evaluating image descriptors on whether they are useful to create a user preference model about user's taste on images and also whether these models can eventually be used in image recommender systems. Our aim is to address a simple user preference vector by using many visual descriptors of images. By means of image descriptors, we can reveal a correlation between user's taste and image features and easily build up a vector that models user's preferences. This content-based relationship may be used for image recommendation. Recommender systems can generally be considered as two headings such as content-based approaches and collaborative filtering approaches. Typical content-based methods computes content in user preference and compare it with other items. We want to use our image descriptor correlation as a content-based approach. But there are some natural challenges about this type content-based algorithm. For a very large image dataset, computing pairwise distances between vectors of image descriptors is very exhaustive process. To overcome this complexity, we have proposed a novel approach that we make cluster dataset through image feature vectors. This technique may be useful in different ways such that it speeds up image matching since you do not have to match each candidate against each image that a user likes. Also it can be able to group images very meaningfully in term of semantic according to your clustering algorithm success.