Uma abordagem baseada em filtragem colaborativa integrada a mapas de saliência para a recomendação de imagens

Nowadays, the amount of customers using sites for shopping is greatly increasing, mainly due to the easiness and rapidity of this way of consumption. The sites, differently from physical stores, can make anything available to customers. In this context, Recommender Systems (RS) have become indispensable to help consumers to find products that may possibly pleasant or be useful to them. These systems often use techniques of Collaborating Filtering (CF), whose main underlying idea is that products are recommended to a given user based on purchase information and evaluations of past, by a group of users similar to the user who is requesting recommendation. One of the main challenges faced by such a technique is the need of the user to provide some information about her preferences on products in order to get further recommendations from the system. When there are items that do not have ratings or that possess quite few ratings available, the recommender system performs poorly. This problem is known as new item cold-start. In this paper, we propose to investigate in what extent information on visual attention can help to produce more accurate recommendation models. We present a new CF strategy, called IKB-MS, that uses visual attention to characterize images and alleviate the new item cold-start problem. In order to validate this strategy, we created a clothing image database and we use three algorithms well known for the extraction of visual attention these images. An extensive set of experiments shows that our approach is efficient and outperforms state-of-the-art CF RS.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior

Dissertação (Mestrado)

Hoje em dia, a quantidade de consumidores que utilizam sites para realizar compras está aumentando muito, principalmente devido à facilidade e rapidez dessa forma de consumo. Os sites, diferentemente de lojas físicas, podem mostrar qualquer conteúdo existente para os clientes. Nesse contexto, Sistemas de Recomendação (SR) tornaram-se indispensáveis para ajudar os consumidores a encontrar produtos que podem, eventualmente, ser agradáveis ou úteis para eles. Esses sistemas, geralmente, usam técnicas de Filtragem Colaborativa (FC), cuja principal ideia é que os produtos são recomendados para um determinado usuário com base em informações sobre compras e avaliações realizadas no passado, por um grupo de usuários similares ao usuário que está pedindo recomendação. Um dos principais desafios enfrentados por tal técnica é a necessidade de o usuário fornecer algumas informações sobre suas preferências sobre os produtos, a fim de obter novas recomendações do sistema. Quando há itens que não têm avaliações ou que possuem poucas avaliações disponíveis, o sistema de recomendação executa mal. Esse problema é conhecido como problema de partida a frio de itens. Neste trabalho, propomos investigar em que ponto a informação sobre a atenção visual pode ajudar a produzir modelos mais precisos de recomendação. Nós apresentamos uma nova estratégia de FC, denominada IKB-MS, que utiliza atenção visual para caracterizar as imagens e minimizar o problema de partida a frio de itens. A fim de validar essa estratégia, criamos um banco de dados de imagens de roupas e usamos três algoritmos bem conhecidos para a extração da atenção visual dessas imagens. Um extenso conjunto de experimentos mostra que a nossa abordagem é eficiente e supera os SR de FC do estado-da-arte.