Recommendations by Emotions Detection through Facial Recognition
Author
Esquivias Roman, Alicia
Term
4. term
Publication year
2017
Submitted on
2017-06-08
Pages
147
Abstract
Anbefalingssystemer—værktøjer der foreslår, hvad man skal se—er blevet markant bedre, men tager sjældent højde for, hvordan brugere føler sig. Dette speciale tager de første skridt mod at tilføje følelsesbaseret feedback (signaler om seerens følelser under visning) til et anbefalingssystem for underholdende videoer. Arbejdet har to dele. For det første undersøges, hvad der får folk til at ville tage et sådant system i brug. Med en tilpasning af en velkendt model for adoption af innovationer viser studiet, at to forhold betyder mest for brugsvilje: den oplevede fornøjelse ved at bruge systemet og social påvirkning (hvad andre mener og gør). For tillid er den stærkeste faktor forventningen om, at registrerede følelser kun anvendes til at lave anbefalinger. For det andet, fordi der manglede egnede data, designer og implementerer specialet en webbaseret dataindsamling. Denne webtjeneste registrerer seeres følelsesmæssige reaktioner, mens de ser underholdende videoer, og indsamler deres eksplicitte vurderinger. Resultatet er et nyt datasæt med følelsesinformation knyttet til brugervurderinger. Analysen af datasættet viser en sammenhæng mellem de følelser, der registreres under visning, og seernes eksplicitte vurderinger af videoerne. Den vigtigste indsats er dette datasæt, sammen med den udviklede metodologi og en webapplikation, som kan fungere som en tidlig prototype på et følelsesbaseret anbefalingssystem.
Recommender systems—the tools that suggest what to watch next—have improved quickly, but they rarely consider how viewers feel. This thesis takes first steps toward adding emotion-based feedback (signals about a viewer’s feelings while watching) to a recommender for entertaining videos. The work has two parts. First, it explores what would make people accept and use such a system. Using an adaptation of a well-known innovation adoption model, the study finds that two factors matter most for intention to use: the perceived enjoyment of using the system and social influence (what others think and do). For trust, the strongest factor is the expectation that detected emotions would be used only to create recommendations. Second, because suitable data were lacking, the thesis designs and implements a web-based data collection process. This web service records viewers’ emotional responses while they watch entertaining videos and collects their explicit opinions. The result is a new dataset with emotional information linked to viewer ratings. Analysis of the dataset shows a correlation between the emotions detected during viewing and the viewers’ explicit opinions about the videos. The main contribution is this dataset, together with the developed methodology and a web application that can serve as an early prototype of an emotion-aware recommender system.
[This abstract was generated with the help of AI]
Documents