Ανάπτυξη συστήματος αυτόματης επισήμανσης εικόνων χρηστών διαδικτυακής κοινότητας με σκοπό την βελτίωση του συστήματος συστάσεων σχετικών προϊόντων = Development of an object detection system for automatic labeling of online-community users' images in order to improve the efficiency of product recommendations.

Περίληψη

Αντικείμενο της εργασίας είναι η μελέτη και η εφαρμογή αλγορίθμων για την παρακολούθηση, πρόβλεψη και ενίσχυση του συστήματος συστάσεων προϊόντων που προτείνονται στους χρήστες μίας διαδικτυακής πλατφόρμας κοινωνικής δικτύωσης και διαμοιρασμού φωτογραφιών. Για τον σκοπό αυτόν, προτείνεται μία ολοκληρωμένη πρόταση ενίσχυσης του συστήματος συστάσεων μέσω της ανίχνευσης αντικειμένων στις εικόνες των χρηστών. Η πρόταση ακολουθεί τεχνικές ανάπτυξης λογισμικού βάσει δεδομένων περιλαμβάνοντας μεταξύ άλλων τη δημιουργία κεντρικής αποθήκης δεδομένων, λήψη αποφάσεων βάσει δεδομένων, δοκιμές α/β και αυτοματοποιημένες αναφορές. Συγκεκριμένα, εξετάζονται αλγόριθμοι ανάλυσης και πρόβλεψης χρονοσειρών και χρησιμοποιείται ο αλγόριθμος Prophet για την παρακολούθηση και εκτίμηση των μελλοντικών τιμών του συνόλου των επιλεχθέντων συστάσεων. Στη συνέχεια, μελετώνται διάφοροι αλγόριθμοι στατιστικής μάθησης και η χρήση συνελικτικών νευρωνικών δικτύων για την ανίχνευση κλάσεων αντικειμένων στις εικόνες των χρηστών η οποία πραγματοποιείται με τον αλγόριθμο YOLOv3. Τέλος, εκτελείται δοκιμή α/β με τη χρήση του εργαλείου Google OptimizeTM (Google LLC, Mountain View, US-CA) για τον έλεγχο της υπόθεσης ότι η χρήση της αυτόματης επισήμανσης των εικόνων μέσω της ανίχνευσης αντικειμένων μπορεί να βελτιώσει τις επιλογές των διαφημιζόμενων προϊόντων (συστάσεων). Τα αποτελέσματα δείχνουν ότι η αυτόματη επισήμανση εικόνων χρηστών, με τις γενικές κλάσεις ανιχνευθέντων αντικειμένων, οδηγεί σε αξιοσημείωτη βελτίωση της αποτελεσματικότητας του συστήματος παραγωγής συστάσεων σχετικών προϊόντων.

The purpose of this project is the review and implementation of algorithms to monitor, predict and enhance the recommendation system of products proposed to users of an online social networking and photo sharing platform. To this end, a comprehensive proposal to strengthen the recommendation system through object detection in user images is proposed. The proposal follows data-based software development techniques including, among others, the creation of a central data warehouse, data-driven decision-making, a/b testing and automated reporting. In particular, time series analysis and prediction algorithms are examined and the Prophet algorithm is used to monitor and estimate the future values of the selected recommendations. Subsequently, a/b testing is performed using the Google OptimizeTM tool to confirm the assessment that using auto-tagging images through object detection can improve the selection of advertised products (recommendations). Finally, various algorithms for statistical learning are being reviewed along with the use of convolutional neural networks to detect object classes in user images performed with the YOLOv3 algorithm. The results show that automatic tagging of user images, with the general classes of detected objects, leads to a significant improvement in the efficiency of the product recommendation system.