Machine learning-based recommendation methods for multimedia data

Abstract

Recent advances in electronic media and computer networks have allowed the creation of large and distributed repositories of information. However, the immediate availability of extensive resources for use by broad classes of computer users gives rise to new challenges in everyday life. These challenges arise from the fact that users cannot exploit available resources effectively when the amount of information requires prohibitively long user time spent on acquaintance with and comprehension of the information content. Thus, the risk of information overload of users imposes new requirements on the software systems that handle the information. Such systems are calls Recommender Systems (RS) and attempt to provide information in a way that will be most appropriate and valuable to its users and prevent them from being overwhelmed by huge amounts of information that, in the absence of RS, they should browse or examine. In this thesis, firstly, it explored the use of objective content-based features to model the individualized (subjective) perception of similarity between multimedia data. It presents a content-based RS which constructs music similarity perception models of its users by associating different similarity measures to different users. The results of the evaluation of the system verified the relation between subsets of objective features and individualized (music) similarity perception and exhibits significant improvement in individualized perceived similarity in subsequent recommended items. Secondly, it addressed the recommendation process as a hybrid combination of one-class classification with collaborative filtering.

Τα συστήματα σύστασης (recommender systems, RS) παρέχουν πληροφορίες κατά τρόπο ώστε να είναι πιο κατάλληλες και πολύτιμες στους χρήστες και να αποτρέπεται η σύγχυση των χρηστών από τα τεράστια ποσά πληροφοριών τα οποία θα έπρεπε να εξετάσουν, χωρίς τη χρήση αυτών. Σε αυτή τη διατριβή αρχικά, ερευνήθηκε η χρήση υποσυνόλων αντικειμενικών χαρακτηριστικών βασισμένων στο περιεχόμενο για τη μοντελοποίηση της εξατομικευμένης (υποκειμενικής) αντίληψης για την ομοιότητα μεταξύ των πολυμεσικών αντικειμένων. Παρουσιάζεται ένα σύστημα σύστασης βασισμένο στο περιεχόμενο που κατασκευάζει τα πρότυπα αντίληψης των χρηστών για την ομοιότητα μουσικών κομματιών και τη συσχέτιση διαφορετικών μέτρων ομοιότητας με διαφορετικούς χρήστες. Τα αποτελέσματα της αξιολόγησης του συστήματος επαλήθευσαν τη σχέση που υπάρχει μεταξύ υποσυνόλων των αντικειμενικών χαρακτηριστικών και της εξατομικευμένης αντίληψης των χρηστών για την ομοιότητα μουσικών κομματιών. Επίσης, εξετάσθηκε η διαδικασία σύστασης ως ένας υβριδικός συνδυασμός αποτελούμενος από ταξινομητή εκπαιδευόμενο με δείγματα από μια μόνο κλάση και από φίλτρα συνεργατικής διήθησης.