Μονάδα:
Τμήμα Πληροφορικής & ΤηλεπικοινωνιώνΠληροφορική
Ημερομηνία κατάθεσης:
2016-11-21
Συγγραφέας:
Κυπραίου Σοφία
Στοιχεία επιβλεπόντων καθηγητών:
Ιωάννης Ιωαννίδης, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, ΕΚΠΑ
Μαριαλένα Κυριακίδη, Υποψήφια Διδάκτορας, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, ΕΚΠΑ
Πρωτότυπος Τίτλος:
Χρονικές συστάσεις με βραχυπρόθεσμες και μακροπρόθεσμες προτιμήσεις
Γλώσσες εργασίας:
Ελληνικά
Μεταφρασμένος τίτλος:
Χρονικές συστάσεις με βραχυπρόθεσμες και μακροπρόθεσμες προτιμήσεις
Περίληψη:
Ο χρόνος είναι ένας σημαντικός παράγοντας όταν γίνονται προτάσεις / συστάσεις και η αποτύπωση με ακρίβεια των προτιμήσεων των χρηστών στην πάροδο του χρόνου είναι μια μεγάλη πρακτική πρόκληση για τα συστήματα συστάσεων (recommender systems).
Οι αλγόριθμοι συνεργατικού φιλτραρίσματος (Collaborative Filtering algorithms), που χρησιμοποιούνται σε συστήματα προτάσεων στο διαδίκτυο, συχνά αξιολογούνται όσον αφορά την ακρίβεια των προβλέψεων για την βαθμολογία του χρήστη σε δεδομένη στιγμή και πολλές από τις σημερινές τεχνικές αξιολόγησης αγνοούν το γεγονός ότι οι χρήστες συνεχίζουν να αξιολογούν τα αντικείμενα με την πάροδο του χρόνου, και να αλλάζουν τις προτιμήσεις τους λόγω διαφορετικών εξωτερικών γεγονότων. Η συμπεριφορά των χρηστών μπορεί συχνά να προσδιοριστεί από τις μακροπρόθεσμες και βραχυπρόθεσμες προτιμήσεις.
Για την αντιμετώπιση αυτών των προκλήσεων, η πρώτη μέθοδος που ακολουθήσαμε ήταν χρονικός γράφος με βάση χρονικές περιόδους (Session-based Temporal Graph - STG), που μοντελοποιεί ταυτόχρονα τις μακροπρόθεσμες και βραχυπρόθεσμες προτιμήσεις των χρηστών με την πάροδο του χρόνου. Με βάση αυτόν τον γράφο, χρησιμοποιήσαμε τον αλγόριθμο για προτάσεις / συστάσεις Injected Preference Fusion (IPF).
Για το δεύτερο μέρος, ακολουθήσαμε μια διαφορετική προσέγγιση με το collaborative Filtering, χρησιμοποιώντας Ανάλυση Κύριων Συνιστωσών (Principal Component Analysis - PCA) και ιεραρχική ομαδοποίηση (hierarchical clustering), για ομαδοποίηση παρόμοιων χρηστών και την δημιουργία συστάσεων με βάση τον χρήστη.
Τέλος, αξιολογούμε την αποτελεσματικότητα των μεθόδων χρησιμοποιώντας την βάση δεδομένων του Yelp. Βάση των κριτικών (reviews) φτιάχνονται συστάσεις (recommendations) και αποδεικνύεται ότι η μέθοδος STG εμφανίζει πιο ακριβή αποτελέσματα από την PCA.
Κύρια θεματική κατηγορία:
Θετικές Επιστήμες
Λέξεις-κλειδιά:
χρονικό σύστημα προτάσεων, συνεργατικό φιλτράρισμα, γράφος, ομαδοποίηση, top-n λίστα
Αρ. σελίδων ευρετηρίου:
5
Αρ. βιβλιογραφικών αναφορών:
7
