A context-aware recommender system by means of facial expressions and pairwise comparisons

Recommender Systems (RSs) have been gaining attention constantly over the course of the last ten years, in part be- cause of their great potential in e-commerce and multimedia purposes. RSs are a subclass of information retrieval systems that try to estimate the opinion of individuals about the products of a catalog. RSs are dependent on user preferences, which are difficult to acquire, in part due to users’ natural tendency to not disclose information. One novel approach for obtaining these preferences is to infer them from users’ behaviour while interacting with the system. In the context of a music RS, we focus on inferring user preferences on different songs by means of applying supervised learning techniques on their facial expressions and emotions. Successively we build a RS using the inferred user preferences. While we obtain notable accuracy and precision in the user preference predictions, we also show that such predictions can greatly reduce the RS’s dependency on hard-to-obtain explicit user preferences. Moreover, we demonstrate that using the inferred user preferences can be an effective approach for tackling or avoiding the Cold Start problem.

I Recommender System (RSs) hanno ampiamente attirato l’attenzione nel corso degli ultimi dieci anni, anche grazie al loro grande potenziale in ambito e-commerce e multimedia. RSs sono un sottoinsieme degli information retrieval systems che cercano di stimare l’opinione degli individui a proposito dei prodotti di un catalogo. RSs sono basati sulle opinioni dei clienti che sono difficili da ottenere, a causa della loro naturale tendenza a non diffondere informazioni. Un nuovo metodo di ottenere le opinioni è carpirle dai loro comportamenti mentre interagiscono con il sistema. nel caso di un RS per la musica, cerchiamo di predire le preferenze sulle diverse canzoni attraverso techniche di supervised learning applicate alle loro espressioni facciali e emozioni. Successivamente, costruiamo il RS usando le preferenze predette. Abbiamo ottenuto buone precision e accuracy nella predizione delle preferenze, e abbiamo anche mostrato che queste predizioni possono ridurre molto la dipendenza del RS dalle preferenze esplicitamente espresse dall’utente. Inoltre abbi- amo dimostrato che è possibile utilizzare le preferenze pre- dette per arginare il Cold Start problem.