211service.com
Hoe de onderzoekslaboratoria van eBay de lastige taak van mode-aanbevelingen aanpakken
Als je je ooit hebt afgevraagd wat je 's ochtends moet dragen, heb je je misschien ook afgevraagd of je de keuze kon overlaten aan een algoritme dat een fatsoenlijke combinatie van kleding zou kunnen aanbevelen.
Het korte antwoord is nee. Verschillende groepen hebben het probleem van geautomatiseerd modeadvies bestudeerd, zonder dat iemand het echt doorhad.
Vandaag is het de beurt aan Anurag Bhardwaj en vrienden van eBay Research Labs in San Jose. Deze jongens hebben twee verschillende mode-aanbevelingssystemen ontwikkeld en vervolgens meningen verzameld over de vraag of de aanbevelingen die ze geven goed zijn.
De resultaten bieden een interessant inzicht in de manier waarop mensen kleding beoordelen, maar suggereren ook dat geautomatiseerde mode-aanbevelingen nog een lange weg te gaan hebben.
Deze jongens beginnen met het maken van twee verschillende algoritmen voor het aanbevelen van mode, die ze trainen op een dataset die bestaat uit meer dan 13.000 foto's van modemodellen die van internet zijn gehaald. Op elke foto draagt het model een combinatie van een boven- en een broekje, waardoor de algoritmen kunnen zoeken naar correlaties tussen de verschillende combinaties van top en rok.
Het eerste algoritme, dat Bhardwaj en vrienden de deterministische modeaanbeveler noemen, evalueert de kleuren in de top en vergelijkt ze met de kleuren in de rokken. Het geeft vervolgens elke combinatie een beoordeling die kan worden vergeleken met andere combinaties van boven naar beneden. (Precies hoe deze beoordeling wordt berekend, zeggen ze niet.)
Dus wanneer dit algoritme wordt opgevraagd door het bijvoorbeeld een bepaalde top te laten zien, doorzoekt het zijn database op zoek naar een bodem die, wanneer gecombineerd, een hoge beoordeling oplevert.
Het tweede algoritme gebruikt de vooraf gedefinieerde regel dat kleding met patronen goed coördineert met kleding met een effen kleur. Met andere woorden, het hebben van drukke patronen in zowel boven- als onderkleding is minder populair, zeggen Bhardwaj en co.
Dit algoritme zorgt er dus voor dat wanneer het wordt gepresenteerd met bijvoorbeeld een top met patroon, alle aanbevelingen zullen zijn voor een rok met een effen kleur.
Maar zijn deze aanbevelingen goed? Om daar achter te komen, vroegen Bhardwaj en vrienden 150 mensen van Amazon's Mechanical Turk-service om de aanbevelingen te beoordelen op een schaal van slecht, neutraal, goed of uitstekend.
Ze genereerden de aanbevelingen door elk algoritme een willekeurig gekozen afbeelding te presenteren uit een database van 1.000 foto's van rokken. Het algoritme moest vervolgens een top kiezen uit een aparte database met afbeeldingen van tops.
De resultaten tonen bepaalde voorkeurspatronen bij de gebruikers. Mensen geven bijvoorbeeld de voorkeur aan een effen rok met een topcombinatie met patroon.
Interessanter is dat gebruikers ook de voorkeur gaven aan eenvoudige patronen, zoals stippen, effen, strepen of plaid, in plaats van complexe patronen zoals dieren-, bloemen-, geometrische of paisleypatronen. En bij het geven van een beoordeling voeren gebruikers de taak sneller uit wanneer ze eenvoudige patronen voorgeschoteld krijgen dan met complexe patronen.
Bhardwaj en co zeggen dat dit logisch is, aangezien neurowetenschappers al lang weten dat de complexiteit van een afbeelding bepalend is voor de tijd die nodig is om het visueel te verwerken.
Hoe nuttig dit in de toekomst zal zijn bij het ontwikkelen van algoritmen voor modeaanbevelingen, is niet duidelijk. Een potentieel probleem is dat Bhardwaj en co geen informatie verstrekken over de gebruikers die ze in dienst hebben genomen op Amazon's Mechanical Turk. Ze zeggen niets over de verdeling van mannen en vrouwen, over de betrokken leeftijdsgroepen, hun etniciteit, enzovoort. Al deze factoren kunnen een significant effect hebben op modekeuzes.
Bovendien is het denkbaar dat mensen die ervoor kiezen om als Turken te gaan werken een zelfselecterende groep zijn met heel specifieke kenmerken als het om mode gaat. Maar uit dit document is dat onmogelijk te zeggen.
De inzet is potentieel aanzienlijk. Een voordeel van aanbevelingsalgoritmen is dat ze de verkoop aanzienlijk kunnen verhogen als ze goed werken. Dat is iets dat Amazon, Netflix, Apple en dergelijke allemaal in hun voordeel hebben ontdekt. De mogelijkheid dat een algoritme voor mode-aanbevelingen zou kunnen helpen bij het verkopen van klanten, zal voldoende motivatie zijn voor meer onderzoek op dit gebied.
Voorlopig is echter één ding duidelijk. Het bouwen van mode-aanbevelingssystemen is een lastige taak en zal waarschijnlijk nog geruime tijd buiten de stand van de techniek blijven.
Referentie: http://arxiv.org/abs/1405.4013 : Visuele mode-aanbevelingen verbeteren met gebruikers op de hoogte