Evoluzione dell’approccio MKL al relevance feedback per l’apprendimento a lungo termine

In questo lavoro è proposta una evoluzione dell’approccio al relevance feedback per sistemi CBIR, basato sulla rappresentazione mediante sottospazi KL e MKL delle regioni di interesse. Le informazioni di feedback fornite dall’utente a seguito di una interrogazione sono utilizzate per costruire una rappresentazione della regione rilevante e non rilevante. Una delle innovazioni proposte in questo lavoro consiste nell’utilizzo di uno spazio MKL anche per la regione rilevante, al fine di modellare al meglio l’elevata variabilità delle informazioni che l’utente può essere interessato a reperire. Il secondo contributo di questo lavoro riguarda invece l’apprendimento a lungo termine e consiste in una tecnica di aggiornamento della rappresentazione utilizzata nella ricerca che consente di memorizzare le informazioni apprese durante le query precedentemente proposte al sistema, per utilizzarle come base di partenza per le successive sessioni di ricerca. I risultati sperimentali confermano da un lato il miglioramento delle prestazioni a breve termine per una singola sessione di ricerca e dall’altro l’efficacia della tecnica di apprendimento a lungo termine.