211service.com
Wie die Forschungslabors von eBay die heikle Aufgabe der Modeempfehlungen angehen
Wenn Sie schon einmal darüber nachgedacht haben, was Sie morgens anziehen sollen, haben Sie sich vielleicht auch gefragt, ob Sie die Wahl einem Algorithmus überlassen könnten, der eine anständige Kleidungskombination empfiehlt.
Die kurze Antwort ist nein. Verschiedene Gruppen haben sich mit dem Problem der automatisierten Modeberatung beschäftigt, ohne dass es jemand wirklich auf den Punkt gebracht hat.
Heute sind Anurag Bhardwaj und seine Freunde von eBay Research Labs in San Jose an der Reihe. Diese Jungs haben zwei verschiedene Modeempfehlungssysteme entwickelt und dann Crowdsourcing-Meinungen darüber gesammelt, ob die Empfehlungen, die sie geben, gut sind.
Die Ergebnisse liefern einige interessante Einblicke in die Art und Weise, wie Menschen Kleidung bewerten, legen aber auch nahe, dass automatisierte Modeempfehlungen noch einiges zu tun haben.
Diese Jungs erstellen zunächst zwei verschiedene Modeempfehlungsalgorithmen, die sie an einem Datensatz trainieren, der aus mehr als 13.000 Fotografien von Models aus dem Web besteht. Auf jedem Foto trägt das Model eine Kombination aus Oberteil und Unterteil, sodass die Algorithmen nach Korrelationen zwischen den verschiedenen Ober- und Rockkombinationen suchen können.
Der erste Algorithmus, den Bhardwaj und seine Freunde den deterministischen Mode-Recommender nennen, wertet die Farben des Oberteils aus und vergleicht sie mit den Farben der Röcke. Es gibt dann jeder Kombination eine Bewertung, die mit anderen Top-Bottom-Kombinationen verglichen werden kann. (Wie diese Bewertung genau berechnet wird, sagen sie nicht.)
Wenn dieser Algorithmus also abgefragt wird, indem er beispielsweise eine bestimmte Spitze anzeigt, durchsucht er seine Datenbank nach einem Boden, der in Kombination eine hohe Bewertung ergibt.
Der zweite Algorithmus verwendet die vordefinierte Regel, dass gemusterte Kleidung gut mit einfarbiger Kleidung übereinstimmt. Mit anderen Worten, geschäftige Muster sowohl in der Ober- als auch in der Unterbekleidung sind weniger beliebt, sagen Bhardwaj und Co.
Dieser Algorithmus stellt also sicher, dass beispielsweise bei einem gemusterten Oberteil alle Empfehlungen für einen einfarbigen Rock gelten.
Aber sind diese Empfehlungen gut? Um das herauszufinden, baten Bhardwaj und seine Freunde 150 Personen des Mechanical Turk-Dienstes von Amazon, die Empfehlungen auf einer Skala von schlecht, neutral, gut oder ausgezeichnet zu bewerten.
Sie generierten die Empfehlungen, indem sie jedem Algorithmus ein zufällig ausgewähltes Bild aus einer Datenbank mit 1.000 Bildern von Röcken präsentierten. Der Algorithmus musste dann ein Top aus einer separaten Datenbank mit Bildern von Tops auswählen.
Die Ergebnisse zeigen bestimmte Präferenzmuster der Nutzer. Zum Beispiel bevorzugen die Leute einen unifarbenen Rock mit einer gemusterten Top-Kombination.
Interessanterweise bevorzugten Benutzer auch einfache Muster wie Tupfen, Unis, Streifen oder Karos gegenüber komplexen Mustern wie Tier-, Blumen-, geometrischen oder Paisley-Mustern. Und bei der Abgabe einer Bewertung führen Benutzer die Aufgabe bei einfachen Mustern schneller aus als bei komplexen Mustern.
Bhardwaj und Co. halten dies für sinnvoll, da Neurowissenschaftler seit langem wissen, dass die Komplexität eines Bildes die Zeit bestimmt, die es braucht, um es visuell zu verarbeiten.
Wie nützlich dies in Zukunft für die Entwicklung von Modeempfehlungsalgorithmen sein wird, ist nicht klar. Ein potenzielles Problem besteht darin, dass Bhardwaj und Co. keine Informationen über die Benutzer bereitstellen, die sie bei Amazons Mechanical Turk beschäftigt haben. Sie sagen nichts über die Verteilung von Männern und Frauen, über die beteiligten Altersgruppen, ihre Ethnien usw. aus. All diese Faktoren können einen erheblichen Einfluss auf die Modewahl haben.
Darüber hinaus ist es denkbar, dass Menschen, die sich für die Arbeit als Türken entscheiden, eine selbstwählende Gruppe mit ganz spezifischen Merkmalen in Bezug auf Mode sind. Aber aus diesem Papier ist es unmöglich zu sagen.
Die Einsätze sind potenziell erheblich. Ein Vorteil von Empfehlungsalgorithmen ist, dass sie den Umsatz deutlich steigern können, wenn sie gut funktionieren. Das haben Amazon, Netflix, Apple und Co. alle zu ihrem Vorteil entdeckt. Die Möglichkeit, dass ein Modeempfehlungsalgorithmus beim Upselling von Kunden helfen könnte, wird viel Motivation für weitere Forschungen in diesem Bereich geben.
Im Moment ist jedoch eines klar. Der Aufbau von Modeempfehlungssystemen ist eine knifflige Aufgabe, die voraussichtlich noch einige Zeit über dem Stand der Technik bleiben wird.
Ref: http://arxiv.org/abs/1405.4013 : Verbesserung der visuellen Modeempfehlungen mit Benutzern in der Schleife