Använda bokomslag för att utveckla en bokrekommendationsmotor

We propose a novel recommendation engine, capable of generating recommendations, whilst requiring limited user grades. The recommendation engine was developed together with the Swedish company Bokus, which is a bookstore with online and physical presence, offering more than 10 million different titles to its 2 million customers. In the report, we discuss how one can use state-of- the-art deep learning techniques to leverage book covers to generate book recommendations considering a limited number of axioms. Using book covers as the starting point for recommendations, solves the burdensome collection of user grades. From the findings in this report, we conclude that our convolutional neural network was able to generalize well over an unseen dataset, far exceeding the performance of random guesses. Furthermore, the proposed recommendation engine was able to generate meaningful recommendations, albeit, with varying relevance depending on genre. Vi föreslår en ny typ av rekommendationsmotor som kan generera rekommendationer, med begränsat utnyttjande av användarbetyg. Rekommendationsmotorn utvecklades tillsammans med det svenska företaget Bokus, som är en bokhandel med onlinenärvaro och fysisk närvaro som erbjuder mer än 10 miljoner olika titlar till sina 2 miljoner kunder. Vi berör hur man kan använda avancerade djupinlärningstekniker för att utnyttja bokomslag för att generera bokrekommendationer medan ett begränsat antal axiom beaktas. Att använda bokomslag som utgångspunkt för rekommendationer löser den besvärliga insamlingen av användarbetyg. Från resultaten i denna rapport drar vi slutsatsen att vårt föreslagna nätverk kunde generalisera väl över en ej skådad datamängd som långt översteg prestanda av slumpmässiga gissningar. Vidare kunde den föreslagna rekommendationsmotorn generera meningsfulla rekommendationer, om än med varierande relevans beroende på genre