ПЕРСОНАЛІЗАЦІЯ ВІЗУАЛЬНОГО КОНТЕНТУ ІНТЕРАКТИВНОГО МИСТЕЦТВА В ДОПОВНЕНІЙ РЕАЛЬНОСТІ НА ОСНОВІ ІНДИВІДУАЛЬНИХ УПОДОБАНЬ КОРИСТУВАЧІВ
Ключові слова:
інтерактивне мистецтво, доповнена реальність, нейронна колаборативна фільтрація, узагальнена матрична факторизація
Анотація
Актуальність. У зв’язку з розвитком технологій AR та їх використанням у інтерактивному мистецтві, зростає потреба в розробці методів персоналізації візуального контенту, орієнтованих на індивідуальні вподобання користувачів. Методи дослідження. Метод нейронної колаборативної фільтрації, метод узагальненої матричної факторизації, аналіз настрою на відео. Мета статті: Дослідження можливостей покращення персоналізації візуального контенту в інтерактивному мистецтві через оцінку емоційних реакцій користувачів та їх неявних відгуків. Отримані результати. Було розглянуто застосування нейронної колаборативної фільтрації та узагальненої матричної факторизації для створення адаптованого візуального контенту в інтерактивному мистецтві в AR, що дозволить значно підвищити релевантність та зануреність користувачів в інтерактивні твори. Висновок. Розглянутий підхід може бути використаний для покращення імерсивності та персоналізації під час взаємодії користувача з інтерактивним мистецтвом в AR.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Gironacci, Irene. (2021). State of the Art of Extended Reality Tools and Applications in Business. 10.4018/978-1-7998-4339-9.ch008.
2. Chen, Rongfei & Zhou, Wenju & li, yang & Zhou, Huiyu. (2022). Video-Based Cross-Modal Auxiliary Network for Multimodal Sentiment Analysis. IEEE Transactions on Circuits and Systems for Video Technology. PP. 1-1.10.1109/TCSVT.2022.3197420
3. Wang, Fei. (2023). Research on the application of immersive art in digital technology scene. Advances in Education, Humanities and Social Science Research. 5. 88. 10.56028/aehssr.5.1.88.2023.
4. Zhang, Ying. (2023). Immersive Multimedia Art Design Based on Deep Learning Intelligent VR Technology. Wireless Communications and Mobile Computing. 2023. 1-8. 10.1155/2023/9266522.
5. Li, Huihong. (2023). Personalized Art Work Recommendation System and Methods Based on User Interest Characteristics and Emotional Preferences. Scalable Computing: Practice and Experience. 24. 883-894. 10.12694/scpe.v24i4.2393.
6. Patel, Dhruval & Patel, Foram & Chauhan, Uttam. (2023). Recommendation Systems: Types, Applications, and Challenges. 2210-142. 10.12785/ijcds/130168.
7. Duraisamy, Premkumar & Natarajan, Yuvaraj & .S, Yuvaraj & V.Niranjani,. (2023). An Overview of Different Types of Recommendations Systems - A Survey. 10.1109/ICITIIT57246.2023.10068631.
8. Fernández del Amo Blanco, Iñigo & Erkoyuncu, John & Farsi, Maryam & Ariansyah, Dedy. (2021). Hybrid recommendations and dynamic authoring for AR knowledge capture and re-use in diagnosis applications. Knowledge-Based Systems. 239.107954. 10.1016/j.knosys.2021.107954.
9. He, Xiangnan & Liao, Lizi & Zhang, Hanwang. (2017). Neural Collaborative Filtering. Proceedings of the 26th International Conference on World Wide Web.
10. Kuliahin, Andrii & Narozhnyi, V. & Tkachov, V. & Kuchuk, H.. (2022). ДОСЛІДЖЕННЯ МЕТОДІВ ПОБУДОВИ РЕКОМЕНДАЦІЙНИХ СИСТЕМ ДЛЯ РОЗВ’ЯЗАННЯ ЗАДАЧІ ВИБОРУ НАЙБІЛЬШ РЕЛЕВАНТНОГО ВІДЕО ПРИ СТВОРЕННІ ВІРТУАЛЬНИХ АРТ-КОМПОЗИЦІЙ. Системи управління, навігації та зв’язку. Збірник наукових праць. 4. 94-99. 10.26906/SUNZ.2022.4.094.
11. Li, Jiangfeng & Li, Ziyu & Ma, Xiaofeng & Zhao, Qinpei & Zhang, Chenxi & Yu, Gang. (2023). Sentiment Analysis on Online Videos by Time-Sync Comments. Entropy. 25. 1016. 10.3390/e25071016.
12. Chalkias, Ilias & Tzafilkou, Katerina & Karapiperis, Dimitrios & Tjortjis, Christos. (2023). Learning Analytics on YouTube Educational Videos: Exploring Sentiment Analysis Methods and Topic Clustering. Electronics. 12. 3949.10.3390/electronics12183949.
13. Li, Jiangfeng & Li, Ziyu & Ma, Xiaofeng & Zhao, Qinpei & Zhang, Chenxi & Yu, Gang. (2023). Sentiment Analysis on Online Videos by Time-Sync Comments. Entropy. 25. 1016. 10.3390/e25071016.
14. Deshmukh, Rushali & Amati, Vaishnavi & Bhamare, Anagha & Jadhav, Aditya. (2023). Visual Sentiment Analysis: An Analysis of Emotions in Video and Audio. 10.1007/978-981-99-6586-1_21.
15. Tran, Du & Wang, Heng & Torresani, Lorenzo & Ray, Jamie & LeCun, Yann & Paluri, Manohar. (2017). A Closer Look at Spatiotemporal Convolutions for Action Recognition
2. Chen, Rongfei & Zhou, Wenju & li, yang & Zhou, Huiyu. (2022). Video-Based Cross-Modal Auxiliary Network for Multimodal Sentiment Analysis. IEEE Transactions on Circuits and Systems for Video Technology. PP. 1-1.10.1109/TCSVT.2022.3197420
3. Wang, Fei. (2023). Research on the application of immersive art in digital technology scene. Advances in Education, Humanities and Social Science Research. 5. 88. 10.56028/aehssr.5.1.88.2023.
4. Zhang, Ying. (2023). Immersive Multimedia Art Design Based on Deep Learning Intelligent VR Technology. Wireless Communications and Mobile Computing. 2023. 1-8. 10.1155/2023/9266522.
5. Li, Huihong. (2023). Personalized Art Work Recommendation System and Methods Based on User Interest Characteristics and Emotional Preferences. Scalable Computing: Practice and Experience. 24. 883-894. 10.12694/scpe.v24i4.2393.
6. Patel, Dhruval & Patel, Foram & Chauhan, Uttam. (2023). Recommendation Systems: Types, Applications, and Challenges. 2210-142. 10.12785/ijcds/130168.
7. Duraisamy, Premkumar & Natarajan, Yuvaraj & .S, Yuvaraj & V.Niranjani,. (2023). An Overview of Different Types of Recommendations Systems - A Survey. 10.1109/ICITIIT57246.2023.10068631.
8. Fernández del Amo Blanco, Iñigo & Erkoyuncu, John & Farsi, Maryam & Ariansyah, Dedy. (2021). Hybrid recommendations and dynamic authoring for AR knowledge capture and re-use in diagnosis applications. Knowledge-Based Systems. 239.107954. 10.1016/j.knosys.2021.107954.
9. He, Xiangnan & Liao, Lizi & Zhang, Hanwang. (2017). Neural Collaborative Filtering. Proceedings of the 26th International Conference on World Wide Web.
10. Kuliahin, Andrii & Narozhnyi, V. & Tkachov, V. & Kuchuk, H.. (2022). ДОСЛІДЖЕННЯ МЕТОДІВ ПОБУДОВИ РЕКОМЕНДАЦІЙНИХ СИСТЕМ ДЛЯ РОЗВ’ЯЗАННЯ ЗАДАЧІ ВИБОРУ НАЙБІЛЬШ РЕЛЕВАНТНОГО ВІДЕО ПРИ СТВОРЕННІ ВІРТУАЛЬНИХ АРТ-КОМПОЗИЦІЙ. Системи управління, навігації та зв’язку. Збірник наукових праць. 4. 94-99. 10.26906/SUNZ.2022.4.094.
11. Li, Jiangfeng & Li, Ziyu & Ma, Xiaofeng & Zhao, Qinpei & Zhang, Chenxi & Yu, Gang. (2023). Sentiment Analysis on Online Videos by Time-Sync Comments. Entropy. 25. 1016. 10.3390/e25071016.
12. Chalkias, Ilias & Tzafilkou, Katerina & Karapiperis, Dimitrios & Tjortjis, Christos. (2023). Learning Analytics on YouTube Educational Videos: Exploring Sentiment Analysis Methods and Topic Clustering. Electronics. 12. 3949.10.3390/electronics12183949.
13. Li, Jiangfeng & Li, Ziyu & Ma, Xiaofeng & Zhao, Qinpei & Zhang, Chenxi & Yu, Gang. (2023). Sentiment Analysis on Online Videos by Time-Sync Comments. Entropy. 25. 1016. 10.3390/e25071016.
14. Deshmukh, Rushali & Amati, Vaishnavi & Bhamare, Anagha & Jadhav, Aditya. (2023). Visual Sentiment Analysis: An Analysis of Emotions in Video and Audio. 10.1007/978-981-99-6586-1_21.
15. Tran, Du & Wang, Heng & Torresani, Lorenzo & Ray, Jamie & LeCun, Yann & Paluri, Manohar. (2017). A Closer Look at Spatiotemporal Convolutions for Action Recognition
Опубліковано
2024-02-09
Як цитувати
KuliahinАndrii Персоналізація візуального контенту інтерактивного мистецтва в доповненій реальності на основі індивідуальних уподобань користувачів / KuliahinАndrii // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2024. – Т. 1 (75). – С. 115-117. – doi:https://doi.org/10.26906/SUNZ.2024.1.115.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
