Univerza na Primorskem
Fakulteta za matematiko, naravoslovje in informacijske tehnologije
Več informacij o projektu / More info about the project
Opis / Description
SLO:
Življenje v 21. stoletju ponuja vse natančnejše priporočilne algoritme, ki temeljijo na novih pristopih globokega učenja, ki iz preteklega vedenjauporabnika pridobivajo informacije, specifične za uporabnika. Vendar ti sistemi še vedno nimajo razložljive utemeljitve, zakaj je določen izdelek (npr.film ali glasbena skladba) primeren za uporabnika, in, kar je še pomembneje, ne pojasnijo v celoti vpliva porabe izdelka na uporabnika. PsyCom boustvaril paradigmatski premik od trenutnega vedenjskega pristopa z vzpostavitvijo novega računalniškega okvira, ki bo vseboval modele izkušenj,uporabnikov in predmetov, nabore podatkov, instrumente za anotacije, etične smernice, nabore podatkov in ocenjevalne metrike. Okvir bostaomogočala (1) splošni uporabniški model (CGUM), ki izhaja iz psihologije, in (2) splošni model elementov (CGUM), ki izhaja iz psihologije in medijev.Razvili bomo instrumente za ročno anotacijo CGUM in CGIM v glasbenem scenariju. Zbrali bomo podatke resničnih uporabnikov in razvilinapovednike strojnega učenja za sklepanje o vrednostih CGUM in CGIM. Viri podatkov za funkcije bodo digitalne sledi uporabnikov in medijskevsebine. Na koncu bomo pristope potrdili s primeri uporabe.
EN:
21st-century life offers increasingly accurate recommendation algorithms based on new, deep-learning approaches that extract user-specificinformation from the user’s past behaviour. However, these systems still lack an interpretable reasoning on why a certain item (e.g. a film or a musicpiece) is suitable for a user and, more importantly, do not fully explain the item consumption impact on the user. PsyCom will create a paradigm shiftfrom the current behavioural approach by establishing a new computational framework containing experience, user, and item models, datasets,instruments for annotations, ethical guidelines, datasets, and evaluation metrics. The framework will be enabled by (1) General User Model (CGUM)rooted in psychology and (2) psychology- and media-rooted General Item Model (CGUM). We will develop the instruments for the manual annotationof the CGUM and CGIM in the scenario of music. We will collect data from real users and develop machine learning predictors for inferring the valuesof CGUM and CGIM. The data sources for features will be digital user traces and media content. Finally, we will validate the approaches through usecases.