Κατεύθυνση Ψηφιακά Μέσα Επικοινωνίας και Περιβάλλοντα Αλληλεπίδρασης
Βιβλιοθήκη Πολιτικής Επιστήμης και Δημόσιας Διοίκησης - Επικοινωνίας και Μέσων Μαζικής Ενημέρωσης - Τουρκικών Σπουδών και Σύγχρονων Ασιατικών Σπουδών - Κοινωνιολογίας

2021-06-15

2021

Τουμανίδης Ηλίας

Κωνσταντίνος Μουρλάς, Επίκουρος Καθηγητής, Επικοινωνίας και Μέσων Μαζικής Ενημέρωσης, ΕΚΠΑ.

Μελέτη και πρωτοτυποποίηση μηχανισμών παραγωγής συστάσεων δημοσιευμάτων, κάνοντας χρήση συνεργατικού φιλτραρίσματος και φιλτραρίσματος βάσει περιεχομένου

Αγγλικά
Ελληνικά

Μελέτη και πρωτοτυποποίηση μηχανισμών παραγωγής συστάσεων δημοσιευμάτων, κάνοντας χρήση συνεργατικού φιλτραρίσματος και φιλτραρίσματος βάσει περιεχομένου

Η μηχανική μάθηση έχει σημειώσει τρομακτικά άλματα προόδου τις τελευταίες δεκαετίες. Για του λόγου του αληθές, η μηχανική μάθηση έχει ξεπεράσει πλέον τα καθαρά όρια τής τεχνολογίας και θεωρείται βασικό γρανάζι σε πολλούς τομείς. Ένας από αυτούς τους τομείς πλέον, είναι και η δημοσιογραφία.
Πιο συγκεκριμένα, όπως κάθε ιστοσελίδα που ασχολείται με το εμπόριο θέλει να προσφέρει την καλύτερη δυνατή υπηρεσία στους πελάτες της, έτσι και οι σύγχρονες, διαδικτυακές, ειδησεογραφικές ιστοσελίδες, επιθυμούν να κάνουν το περιεχόμενο τους όσο πιο ελκυστικό γίνεται, προκειμένου να αναπτύξουν μια σχέση εμπιστοσύνης με τους χρήστες τους, με απώτερο σκοπό την παραμονή τους στην ιστοσελίδα και βέβαια την επιστροφή τους.
Για να πετύχουν τον συγκεκριμένο στόχο, η εξατομίκευση περιεχομένου είναι από τα πιο σημαντικά εργαλεία. Η εξατομίκευση περιεχομένου είναι γνωστή παγκοσμίως πλέον, καθώς γίγαντες της τεχνολογίας και των media, όπως είναι η Amazon, το Netflix, και το Spotify, χρησιμοποιούν ειδικούς αλγόριθμους. Αυτοί οι αλγόριθμοι αναλύουν τις προτιμήσεις και την πλοήγηση των χρηστών και δημιουργούν ένα προσωποποιημένο περιεχόμενο.
Σκοπός αυτής τής εργασίας, είναι να εφαρμόσουμε την ιδέα της εξατομίκευσης περιεχομένου σε μια ειδησεογραφική ιστοσελίδα. Προκειμένου να το καταφέρουμε αυτό, δημιουργήθηκε ένας αλγόριθμος παραγωγής συστάσεων, ο οποίος είναι βασισμένος στο υβριδικό φιλτράρισμα. Με τον τρόπο αυτό, εξορύχθησαν παραπάνω από 1000 δημοσιεύματα, και αναλύθηκαν τα στοιχεία τους προκειμένου να καθοριστούν οι μεταξύ τους συσχετίσεις. Στη συνέχεια, χρήστες βαθμολόγησαν συγκεκριμένα δημοσιεύματα, με σκοπό να αναλυθούν οι προσωπικές εκτιμήσεις δημοσιευμάτων.
Έχοντας πλέον, αποτελέσματα που ήταν βασισμένα στο περιεχόμενο των δημοσιευμάτων, όσο και στις προσωπικές εκτιμήσεις, τα συνδυάσαμε και δημιουργήσαμε έναν υβριδικό αλγόριθμο. Ο συγκεκριμένος κώδικας κατάφερε τελικά να παρουσιάσει στους χρήστες συγκεκριμένες προτάσεις δημοσιευμάτων, οι οποίες ήταν βασισμένες στις προσωπικές τους προτιμήσεις, αλλά και στα στοιχεία των δημοσιευμάτων τα οποία έχουν διαβάσει.

Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες

Τεχνολογία – Πληροφορική

Μηχανική μάθηση, συστήματα παραγωγής συστάσεων, φιλτράρισμα βάσει περιεχομένου, συνεργατικό φιλτράρισμα, υβριδικό φιλτράρισμα

Όχι

0

Ναι

55

67

Δεν επιτρέπεται η πρόσβαση στο αρχείο. H πρόσβαση επιτρέπεται μόνο εντός του δικτύου του ΕΚΠΑ.

https://pergamos.lib.uoa.gr/uoa/dl/object/2947471