V magistrskem delu smo razvili novo metodo za določanje uporabnikovih preferenc,
ki temelji na analizi slik in uporabnikovih argumentov o slikah. V ta namen smo
razširili obstoječe ogrodje za argumentirano strojno učenje (ABML), ki vključuje
argumentirano učenje pravil in interaktivno zanko za zajemanje znanja. Zanka
vključuje priporočilni sistem in cevovod, ki temelji na konvolucijskih
nevronskih mrežah, s katerimi iz slik dobimo atribute, ki jih je mogoče
interpretirati. Za namen določitve preferenc uporabnikov smo razvili
interaktivni vmesnik, ki sloni na metodi ABML. Uporabniku smo omogočili,
da lahko svoje preference utemelji in pojasni glede na atribute na sliki. Za ta
namen smo uporabili nov pristop, pri katerem lahko uporabnik svoje preference
razloži z označevanjem delov slike. S pravokotnikom lahko izbere del slike,
ki mu je všeč ali ne. Zanka za zajemanje znanja ABML uporabniku omogoča, da
se osredotoči na najbolj kritične dele trenutne baze znanja in mu pomaga, da
ustrezno razloži izbrane slike.
S tremi udeleženci smo izvedli poizkuse v domeni slik ljudi in tako pokazali, da
nov pristop omogoča uspešno pridobivanje uporabnikovih preferenc. Vsem
udeležencem se je zdel končni izbor slik uporaben. Število všečkov slik, ki jih
je predlagala metoda, se je postopoma izboljševalo. Končne preference vsakega
uporabnika aplikacije so predstavljene kot model, ki temelji na pravilih in
pomaga hitro najti slike, ki ustrezajo uporabniku. Pokazali smo, da je ta model
pravil enostavno interpretirati. Vsi udeleženci so ugotovili, da se večina
pravil v končnem modelu ujema z njihovimi preferencami.
Prednosti obravnavanega pristopa pri ugotavljanju preferenc je v širini spektra,
ki ga pokriva. Načeloma je z njim mogoče nasloviti katero koli domeno s slikami.
Da je uporaba tega pristopa smiselna, morajo biti uporabniki zmožni pojasniti,
kateri deli slike so jim všeč ali ne, hkrati pa mora biti uresničen pogoj, da je
iz slik mogoče pridobiti smiselne atribute.
|
