Tendencias 21. Ciencia, tecnología, sociedad y cultura




Nuevo sistema "adivina" los gustos del usuario para recomendarle vídeos

Analiza objetivamente las películas u otros programas que se ven habitualmente y busca otros similares


Investigadores de la Universidad Politécnica de Madrid han desarrollado un sistema que hace recomendaciones de contenidos audiovisuales a los usuarios basándose en los gustos de estos, pero no a partir de encuestas, sino analizando objetivamente las características de los contenidos que ven habitualmente. Por ejemplo, analiza el ritmo narrativo, el movimiento, o la luminosidad de las imágenes de una película, para inferir qué otras películas podrían gustarle.




Ejemplo de la estimación estética del movimiento en un vídeo (perteneciente a la película American Beauty). Fuente: UPM.
Ejemplo de la estimación estética del movimiento en un vídeo (perteneciente a la película American Beauty). Fuente: UPM.
Investigadores de la Universidad Politécnica de Madrid han desarrollado un sistema que recomienda contenidos audiovisuales a cada usuario partiendo de su consumo audiovisual y de las características intrínsecas de imágenes y vídeos.

Las recomendaciones del nuevo modelo, desarrollado por el Grupo de Aplicación de Telecomunicaciones Visuales (G@TV) de la Escuela Técnica Superior de Ingenieros de Telecomunicación de la UPM, se generan sin necesidad de solicitar al usuario valoraciones explícitas y sin molestarlo en su visualización y disfrute del contenido.

El sistema ha sido probado con más de 70.000 usuarios y cerca de un millón de valoraciones de contenidos; y su precisión, según las conclusiones de los investigadores, es la mayor alcanzada hasta el momento.

Como señala la nota de prensa de la UPM, la inmensa proliferación de contenidos en Internet, televisión y otros medios hace que el usuario tenga habitualmente dificultad para obtener aquellos contenidos que son de su interés.

Con el objetivo de facilitar al usuario esta selección, investigadores de la UPM, en colaboración con empresas referentes en el sector audiovisual, han desarrollado un modelo que permite, con una alta fiabilidad, recomendar contenidos. Las pruebas se han realizado con un buen número de usuarios en diferentes escenarios, como los Juegos Olímpicos, catálogos de películas en Internet, televisión digital interactiva, etc.

Los sistemas de recomendación tradicionales emplean, bien técnicas semánticas, recomendando productos definidos por temas o etiquetas similares a los que ya interesan al usuario, o bien algoritmos que aprovechan la inteligencia colectiva de un conjunto grande de usuarios, de tal forma que se recomienda a una persona aquello que gusta a otras personas con preferencias parecidas.

Partiendo de este estado de conocimiento, se ha desarrollado un modelo aplicado a contenidos multimedia que va más allá de este paradigma, e incorpora otras características de cuya influencia el usuario no siempre es consciente y que por esta razón no han sido utilizadas hasta el momento en este tipo de sistemas.

Así, los investigadores de la UPM han profundizado en el análisis de características audiovisuales que resultan influyentes para los usuarios; y han demostrado que algunas de ellas, que sirven para determinar tendencias estéticas y que habitualmente pasan desapercibidas, resultan decisivas a la hora de definir los gustos de un usuario.

Por ejemplo, han comprobado que en una película la información relativa al ritmo narrativo (duración de planos, escenas y secuencias), al movimiento (de la cámara o del contenido del cuadro) o a la naturaleza de la imagen (luminosidad, color, texturas, cantidad de información…) es muy relevante a la hora de catalogar las preferencias de cada uno. De forma análoga a las películas, los investigadores han analizado imágenes utilizando un subconjunto de los descriptores considerados en el caso de los vídeos.

Para la validación de este modelo de influencia se ha utilizado una base de datos con 70.000 usuarios y cerca de un millón de valoraciones sobre un conjunto de 200 películas cuyas características fueron previamente extraídas.

Libre de condicionamientos sociales

Estos descriptores, una vez normalizados y procesados, y generando a partir de ellos los datos estadísticos adecuados, permiten caracterizar formalmente los contenidos y averiguar el grado de influencia que tienen en cada persona y la manera en que condicionan sus preferencias.

Es importante destacar que el recomendador no se alimenta de preferencias declaradas a priori de forma explícita por el usuario, sino que estas van cambiando dinámicamente según sus tendencias de consumo. Para ello, se ha creado un modelo probabilístico que infiere los gustos empleando técnicas de inteligencia artificial.

El modelo se ha validado realizando pruebas con usuarios reales, cuyo consumo televisivo fue analizado durante un tiempo determinado y contrastado con encuestas que se les realizaron posteriormente.

Después de analizar estadísticamente los resultados y su relación con las distintas categorías de contenidos, se ha demostrado que los métodos implícitos que parten de la información de consumo resultan más fiables que las valoraciones explícitas, dado que las medidas son objetivas y de este modo se elimina un cierto condicionamiento social y cultural que afectaba a algunos tipos específicos de contenidos.

Una vez que se caracterizan adecuadamente tanto las preferencias de los usuarios como la naturaleza de los contenidos, se generan nuevas recomendaciones explotando esta información. Para el desarrollo de esta fase decisiva del sistema de recomendación fueron importantes las conclusiones obtenidas del estudio de la influencia de las características estéticas, y se determinó la necesidad de crear sistemas estadísticos personalizados, de tal forma que los criterios para la recomendación cambian para cada usuario de acuerdo con la diferente influencia de estas características.

Como se pudo comprobar en el estudio, algunos usuarios muestran una sensibilidad especial a ciertas características, especialmente relacionadas con el ritmo de montaje o con el movimiento de la cámara. El algoritmo de recomendación, por lo tanto, fundamenta su éxito en utilizar la información que el usuario no es consciente que sabe, pero que determina una especial afinidad estética con determinados contenidos audiovisuales.

El modelo ha sido desarrollado y validado en diversos sistemas reales, partiendo de investigaciones en proyectos Europeos (por ejemplo, ARENA), y luego directamente enmarcados en diferentes proyectos nacionales y aplicado a varios escenarios: escenario televisivo generalista (3SME), escenario web aplicado a buscadores (Buscamedia), escenario híbrido televisivo y web aplicado a los Juegos Olímpicos (JOI) y escenarios de consumo audiovisual multiplataforma (Mireia).

Referencias bibliográficas:

Sánchez, F; Barrilero, M; Uribe, S.; Tena, A.; Menéndez, J. M. Social and Content Hybrid Image Recommender System for Mobile Social Networks. Mobile Networks and Applications (2012).

Sánchez, F; Alduán M., Álvarez, F.; Menéndez, J. M.; Báez, O. Recommender System for Sport Videos Based on User Audiovisual Consumption. IEEE Transactions on Multimedia (2012).

Martes, 14 de Mayo 2013
UPM/T21
Artículo leído 1507 veces




Nota


Nuevo comentario:
Twitter

Los comentarios tienen la finalidad de difundir las opiniones que le merecen a nuestros lectores los contenidos que publicamos. Sin embargo, no está permitido verter comentarios contrarios a las leyes españolas o internacionales, así como tampoco insultos y descalificaciones de otras opiniones. Tendencias21 se reserva el derecho a eliminar los comentarios que considere no se ajustan al tema de cada artículo o que no respeten las normas de uso. Los comentarios a los artículos publicados son responsabilidad exclusiva de sus autores. Tendencias21 no asume ninguna responsabilidad sobre ellos. Los comentarios no se publican inmediatamente, sino que son editados por nuestra Redacción. Tendencias21 podrá hacer uso de los comentarios vertidos por sus lectores para ampliar debates en otros foros de discusión y otras publicaciones.

Otros artículos de esta misma sección
< >