Aprendizado neural de representação de conteúdo para sistema de recomendação de filmes

Abstract

Sistemas de recomendação são softwares cujo propósito é gerar listas personalizadas, de acordo com as preferências de usuários. A área é bastante recente e está em expansão desde a popularização da internet tendo suas raízes em recuperação de informação. Dos dois tipos tradicionais de sistemas de recomendação, a filtragem colaborativa é a mais utilizada na academia e na indústria por trazer melhores resultados que o segundo tipo, a filtragem baseada em conteúdo. Este último sofre de problemas tais como a falta de informação semântica e a dificuldade em extrair conteúdo dos itens. Atualmente há uma maior disponibilidade de conteúdo de itens na forma de recursos multimídia tais como vídeos, imagens e texto. Também houve avanços no reconhecimento de padrões em imagens através de técnicas como as redes neurais convolucionais. Neste trabalho, propõe-se utilizar uma rede neural convolucional como extratora de atributos dos quadros que compõe trailers de filmes que servem como base para um sistema de recomendação baseado em conteúdo com o objetivo de avaliar se o sucesso destas redes em tarefas como classificação de imagens e detecção de objetos também ocorre no contexto de recomendações. Para esta avaliação, comparou-se o método proposto com um método de detecção de estética de mídia, dois métodos de extração de conteúdo de texto usando TF-IDF e os tradicionais métodos colaborativos entre usuários e itens.Os resultados obtidos mostram que o método proposto neste trabalho é superior aos demais métodos baseados em conteúdo e é competitivo com os métodos colaborativos, superando o método colaborativo entre itens na métrica que representa acurácia de classificação e também, superando todos os outros métodos com relação ao tempo de execução. Concluiu-se que o método que utiliza redes neurais convolucionais para representar itens é promissor para o contexto de sistemas de recomendação.

Recommender systems are software used to generate personalized lists according to users profiles. The area is new and is growing since the internet popularization having its roots in information retrieval. Collaborative filtering is the most common approach of recommender systems used in both academy and industry because content-based filtering has problems such as lack of semantic information and poor content extraction techniques from items. Nowadays there are more content available in the form of multimedia such as video, images and text. Also, there are advances in pattern recognition though techniques like convolutional neural networks. In this work a convolutional neural network is used to extract features from movie trailers frames to further use these features to create a content-based recommender system with the goal of assessing whether the success of such networks on tasks like image classification and object detection also occur in the recommendation context. To evaluate that, the proposed method was compared with a media aesthetic detection method, two methods of feature extraction from text using TF-IDF and the traditional user and item collaborative filtering methods. Our results indicate that the proposed method is superior to the other content-based methods and is competitive to the collaborative filtering methods, being superior to the item-collaborative method regarding classification accuracy, and being superior to all other methods regarding execution time. In conclusion, we can state that the method using convolutional neural networks to represent items is promising for the recommender systems context.