Tuotekuvien käytettävyys nettihuutokauppojen suosittelussa

Recommendation systems have become a popular method of providing content to users directly. In e-commerce, the high number of items and information load can cause users to miss products they could have found interesting. Recommendation systems can alleviate this problem by suggesting products to users that are likely to be relevant to them. They are also highly valuable in online auctions, where the items are unique and for sale only for a limited time. Recommendation systems can find potential bidders for the auction items, and thus secure a successful auction. Modern machine learning approaches have allowed recommendation systems to use more complex data sources such as images, video, and graphs of relationships between products to generate recommendations. In some tasks, features extracted from these novel sources have been found to outperform more traditional textual features. This thesis investigates the feasibility of using visual features from product images on recommendation systems of a Finnish online auction site. A Visual Bayesian Personalized Ranking (VBPR) model is considered for image-based recommendation. The performance of visual features is compared to textual features. The value of the features is tested on a real-world online auction site dataset. The visual features are found usable for recommendation systems on the online auction site, but no improvement is found over the textual features.Suositusjärjestelmistä on tullut yleinen tapa tarjota käyttäjille sisältöä. Verkkokaupoissa tuotteiden suuri määrä ja tiedon paljous voivat johtaa tilanteisiin, joissa käyttäjät eivät löydä tuotteita, jotka saattaisivat kiinnostaa heitä. Suositusjärjestelmät voivat helpottaa kyseistä ongelmaa ehdottamalla käyttäjille tuotteita, jotka ovat todennäköisesti heille olennaisia. Ne ovat tärkeitä myös nettihuutokaupoissa, joissa kohteet ovat ainutlaatuisia ja näkyvissä vain rajoitetun ajan. Suositusjärjestelmät voivat auttaa mahdollisia huutajia löytämään kiinnostavia kohteita, täten varmistaen onnistuneen huutokaupan. Uudet koneoppimisen ratkaisut ovat mahdollistaneet monimutkaisempien materiaalien kuten kuvien, videoiden ja tuotteiden välisien yhteyksien käyttämisen suositusjärjestelmien suositusten luomisessa. Osassa käyttökohteista uudenkaltaisten piirteiden on havaittu toimivan paremmin kuin perinteisten tekstipohjaisten piirteiden. Tämän työn aiheena on tutkia tuotekuvien piirteiden käyttämistä suositusten parantamisessa suomalaisessa nettihuutokaupassa. Visual Bayesian Personalized Ranking (VBPR) -mallia testataan kuvapohjaiseen suositteluun. Tuotekuvien piirteiden suorituskykyä verrataan tekstipohjaisten piirteiden suorituskykyyn. Piirteiden hyödyllisyyttä arvioidaan oikealla nettihuutokaupasta kerätyllä tietoaineistolla. Kuvien piirteet todetaan soveltuvaksi suosittelujen muodostamiseen nettihuutokaupassa, mutta suositteluissa ei havaita parannusta tekstipohjaisten piirteiden käyttöön verrattuna