本研究针对大规模数字艺术社区 Behance 的用户行为，建立了一个基于视觉外观、时间动态和社交动态的推荐系统。

Jul, 2016

该研究提出了 SemArt，一个多模态数据集，以进行语义艺术理解，包括将视觉和文本表现编码成共同的语义空间，以及 Text2Art 挑战，即通过艺术文本检索相关艺术品。在测试样本中，最佳方法可以在前 10 个排名的图像中找到正确的图像率达 45.5％。

Oct, 2018

本文提出了基于注意力神经网络的可视化解释推荐模型，这种模型可同时提供用户感兴趣的推荐结果和推荐理由，其关键在于模拟用户注意力，使用隐式反馈和文本评价进行监督学习。实验结果表明，所提出的模型不仅可提高推荐性能，还可以提供具有说服力的视觉解释。

Jan, 2018

本文研究了如何提取适当的视觉特征，找到学习这些特征的最佳方法，进而学习绘画之间的相似度，探讨了构建多媒体系统来存档和检索艺术品数字化收藏的相关问题，并提出用于美学上的语义层预测，如预测绘画风格，流派和艺术家，实验结果表明该相似度测量方法适用于上述预测任务。

May, 2015

本文提出了一种新颖的个性化服装推荐方法，该方法使用可解释的图像特征学习过程来解释用户对特定视觉属性和风格的偏好，并在个性化排名任务中实现了最先进的性能。

Jun, 2018

本研究介绍了一种基于机器学习的数据可视化推荐方法，通过从大量数据集和相关可视化图中训练出网络来预测设计选择，从而降低探索基本可视化的难度.

Aug, 2018

大规模视觉语言模型（LVLMs）可以从图像和说明中输出文本，展示出在文本生成和理解方面的先进能力。然而，LVLMs 在理解解释图像所需的知识、各种知识之间的复杂关系以及如何将这些理解整合到解释中的能力尚未得到明确。针对这个问题，我们提出了一个新任务：艺术品解释生成任务，同时提供其评估数据集和用于定量评估对艺术品知识的理解和利用的度量标准。此任务适用于基于图像描述，基于这样一个前提：LVLMs 应具有关于艺术品的预先存在的知识，艺术品往往是被广泛认可并有记录信息的主题。任务由两个部分组成：从图像和艺术品标题生成解释，以及仅使用图像生成解释，从而评估 LVLMs 基于语言和基于视觉的知识。与此同时，我们还发布了一个训练数据集，使 LVLMs 可以学习包含有关艺术品的解释。我们的发现表明，LVLMs 不仅在整合语言和视觉信息方面存在困难，而且在仅从图像中获取知识方面存在更明显的限制。数据集（ExpArt=Explain Artworks）可在以下链接找到：this https URL。

Feb, 2024

本文研究摄影网站的个性化照片推荐，并提出两种基于颜色空间和深度风格迁移嵌入的美学特征提取方法，使用 500px 数据集进行评估，结果表明第二种方法在照片推荐性能方面有显着提高。

Aug, 2018

通过构建一个单一、可扩展的深度网络，可以简洁地捕捉多种不同画作的艺术风格，通过将绘画降维成嵌入空间中的点，该模型具有泛化艺术风格的能力，并允许用户任意结合从单个画作中学习的风格，为建立绘画的丰富模型提供了有用的步骤，以及展示了艺术风格的学习表示结构。

Oct, 2016

本文介绍了一种机器学习系统，可以用视觉元素和艺术原则对美术作品进行量化分析。通过代理学习机制，该框架可以解决诸如高视觉复杂性和训练数据不足的实际限制问题，并在 Visual Concepts 数量化方面得到证实。

Jan, 2022