ДОСЛІДЖЕННЯ МЕТОДІВ ПОБУДОВИ РЕКОМЕНДАЦІЙНИХ СИСТЕМ ДЛЯ РОЗВ’ЯЗАННЯ ЗАДАЧІ ВИБОРУ НАЙБІЛЬШ РЕЛЕВАНТНОГО ВІДЕО ПРИ СТВОРЕННІ ВІРТУАЛЬНИХ АРТ-КОМПОЗИЦІЙ
DOI:
https://doi.org/10.26906/SUNZ.2022.4.094Ключові слова:
колаборативна фільтрація, метод рекомендацій, заснований на знаннях, глибока нейронна мережа з шарами занурення, extended reality, імерсивністьАнотація
Актуальність. Через зростання цифровізації мистецтва постають задачі покращення імерсивності під час взаємодії користувача з системами extended reality мистецтвом. Методи дослідження. Колаборативна фільтрація матричною факторизацією, метод рекомендацій, заснований на знаннях, глибока нейронна мережа з шарами занурення. Мета статті: використовуючи моделі рекомендаційних систем побудованих на різних принципах провести низку обчислювальних експериментів на модельних даних і, порівнюючи результати, перевірити, який із існуючих підходів до побудови рекомендаційних систем покаже найліпші результати при розв’язанні нашої задачі - побудови системи вибору віртуальної арт-композиції. Отримані результати. Проаналізовано ефективність різних методів побудови рекомендаційних систем для розв’язування задачі вибору відео у віртуальних арт-композиціях з урахуванням явного та неявного фідбеку користувачів. Перевірено, що найбільш ефективним виявився підхід з використанням гібридної моделі, яка поєднує метод колаборативної фільтрації, метод рекомендацій, заснований на знаннях і глибоку нейронну мережу з шарами занурення. Доведено, що завдяки математичному апарату глибоких нейронних мереж можна ефективно розв’язати задачу вибору відео у віртуальних арт-композиціях з урахуванням вподобань користувача. Висновок. Розроблений у роботі підхід може бути використаний для покращення імерсивності під час взаємодії користувача з системами extended reality мистецтвом.Завантаження
Посилання
F. Ye. Image Art Innovation based on Extended Reality Technology // 2022 7th IEEE International Conference on Data Science in Cyberspace (DSC), 2022, С. 584-587.
Michael D. Ekstrand. Collaborative Filtering Recommender Systems [Текст] / Michael D. Ekstrand, John T. Riedl, Joseph A. Konstan // University of Minnesota. – 2010. – С. 82–112.
Joonseok Lee. A Comparative Study of Collaborative Filtering Algorithms [Текст] / Joonseok Lee, Mingxuan Sun, Guy Lebanon // Cornell University. – 2012. – С. 2-3.
Badrul Sarwar. Item-Based Collaborative Filtering Recommendation Algorithms [Текст] / Badrul Sarwar, George Karypis, Joseph Konstan, John Riedl // University of Minnesota, Minneapolis. – 2001. – С. 2-3.
Francesco Ricci. Recommender Systems Handbook [Текст] / Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B. Kantor // New York Dordrecht Heidelberg London, 2011. – С. 76-85.
Dietmar Jannac. Recommender Systems: An Introduction [Текст] / Dietmar Jannac, Markus Zanker, Alexander Felfernig, Gerhard Friedrich // Technische Universität Dortmund, Germany, 2010. – С. 49-59.
Peter Bostron. Comparison of User Based and Item Based Collaborative Filtering Recommendation Services [Текст] / Peter Bostron, Melker Fhilipson // SKOLAN FÖR DATAVETENSKAP OCH KOMMUNIKATION. – 2017. – С. 6-7.
