Open Access

André Gines

• Diese Arbeit befasst sich mit dem Vergleich von unterschiedlichen Machine Learning Verfahren zur Ermittlung ähnlicher Bilder im Kontext einer Suche nach ähnlichen Produkten in E-Commerce Lösungen. Die Motivation liegt dabei in der Evaluierung möglicher Verfahren für den Einsatz in einem Produktivsystem. Das Ziel ist es, das geeignetste Verfahren bezogen auf einen spezifischen Anwendungsfall zu ermitteln. Konkret werden drei Verfahren in einer Basisvariante umgesetzt und mit geeigneten Metriken evaluiert. Ein bestehendes Datenset an realen Produktbildern wird zu Evaluierungszwecken verwendet. Kein Ziel dieser Arbeit ist es, die jeweiligen Verfahren soweit zu optimieren, sodass diese die jeweils bestmöglichen Ergebnisse zurückliefern. Auf Basis eines Experiments werden die zuvor recherchierten Verfahren anhand des Anwendungsfalles einer Suchfunktionalität nach ähnlichen Produkten evaluiert. Es kommen dabei unterschiedliche Evaluierungsmetriken zum Einsatz. Als Hauptevaluierungsmetrik der Verfahren wird die Mean Average Precision@K verwendet. Transfer Learning mit einem vortrainierten VGG16 Modell und darauf angewandtes FineTuning liefert in Bezug auf diese Metrik die besten Ergebnisse. Dahinter landet das Autoencoder Verfahren. Das Siamese Network Verfahren liefert im direkten Vergleich mit den beiden anderen die schlechtesten Ergebnisse. Dennoch eignen sich alle drei Verfahren für den untersuchten Anwendungsfall, sodass im Schnitt mindestens 50 Prozent der Suchergebnisse innerhalb der top fünf Ergebnisse relevant sind. Für einen potenziellen Einsatz in einer Produktivumgebung wäre es trotzdem erforderlich und empfehlenswert, weitere Optimierungen der dahinterliegenden Modelle vorzunehmen. Passend zur Hypothese haben die Experimente bestätigt, dass Transfer Learning trainiert mit den Bildern aus dem gegebenen Datenset bessere Ergebnisse ermöglichen kann. Weitere Forschungstätigkeiten umfassen die Optimierung der Verfahren und des Datensets sowie die Evaluierung weiterer, alternativer Verfahren beziehungsweise Kombinationen davon, die nicht Teil der vorliegenden Arbeit sind.
• This study compares various machine-learning approaches to find similar images within the context of related products search functionality in e-commerce. The goal is to identify viable approaches and find the optimal strategy for a specific use case. Three different methods are implemented with some basic optimisations. These approaches are then evaluated with standard metrics. A provided dataset of real product images serves for evaluation. Custom indepth optimisations for each machine-learning algorithm to find the best results is beyond the scope of this study. Based on a pre-defined use case, an experiment is conducted for three different approaches which were identified during the literature research. While different evaluation criteria are used, the primary metric is the Mean Average Precision@K. Experiments show that based on this metric, Transfer Learning with a pre-trained and finetuned VGG16 model scores best, followed by the Autoencoder approach. The Siamese Network shows the weakest results. However, all three approaches are suitable for the defined use case, since most of the top five search results are relevant. Should any of the three approaches be run in production, further optimisations of the underlying models would still be necessary. Experiments show that Transfer Learning trained with pictures in the provided dataset can lead to better results. Future research activities may include optimisations of the investigated approaches and dataset, and could also address alternative approaches.