Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Ανάπτυξη ενός αποτελεσματικού συστήματος εξατομικευμένων συστάσεων με χρήση Markov Chain Monte Carlo

Papilaris Michail-Aggelos

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/CFC16310-F072-4741-A3A1-9A6E6417F27A-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.68756-
Γλώσσαen-
Μέγεθος74 pagesen
ΤίτλοςΑνάπτυξη ενός αποτελεσματικού συστήματος εξατομικευμένων συστάσεων με χρήση Markov Chain Monte Carloel
ΤίτλοςMarkov Chain Monte Carlo for effective personalized recommendationsen
ΔημιουργόςPapilaris Michail-Aggelosen
ΔημιουργόςΠαπιλαρης Μιχαηλ-Αγγελοςel
Συντελεστής [Επιβλέπων Καθηγητής]Chalkiadakis Georgiosen
Συντελεστής [Επιβλέπων Καθηγητής]Χαλκιαδακης Γεωργιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Lagoudakis Michaelen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Λαγουδακης Μιχαηλel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Deligiannakis Antoniosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Δεληγιαννακης Αντωνιοςel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηPersonalized recommender systems aim to help users access and retrieve relevant information or items from large collections, by automatically finding and suggesting products or services of potential interest. User preferences are difficult to infer, and doing so often requires a tedious elicitation process relying on evidence of others’ behavior. To overcome such limitations, we propose a Bayesian approach for finding personalized top recommendations, by capturing user preferences using a utility function which the system learns via a passive preference elicitation sampling-based framework. In brief, instead of asking the user to specify this function explicitly, which is unrealistic, we explicitly model the uncertainty over the utility function and learn it through feedback, in the form of clicks, provided by the user. The utility function is a linear combination of (weighted) features, and beliefs are maintained using a Markov Chain Monte Carlo algorithm. Additionally, we handle situations where not enough data about the user is available, by exploiting the information from clusters of (feature) weight vectors created by observing other users’ behavior. Finally, in order to evaluate our system’s performance, we applied it in the online hotel booking recommendations domain using a real-world dataset.en
ΠερίληψηΤα εξατομικευμένα συστήματα συστάσεων, αποσκοπούν να βοηθήσουν τους χρήστες να ανακτήσουν πληροφορίες από μεγάλες συλλογές, εντοπίζοντας και προτείνοντας προϊόντα ή υπηρεσίες δυνητικού ενδιαφέροντος. Συχνά η διαδικασία εξαγωγής προτιμήσεων των χρηστών είναι περίπλοκη και βασίζεται σε στοιχεία για την συμπεριφορά άλλων χρηστών. Για να ξεπεραστούν αυτοί οι περιορισμοί, προτείνουμε μια Μπαεσιανή προσέγγιση για την εξαγωγή εξατομικευμένων προτάσεων, καταγράφοντας παθητικά τις προτιμήσεις των χρηστών, χρησιμοποιώντας μια συνάρτηση χρησιμότητας (utility function) την οποία το σύστημα μαθαίνει. Πιο συγκεκριμένα, αντί να ζητάμε από το χρήστη να καθορίσει την συνάρτηση χρησιμότητας, το οποίο είναι μη ρεαλιστικό, μαθαίνουμε τη συνάρτηση χρησιμότητας παρατηρώντας έμμεσα τον χρήστη και τις επιλογές του (clicks), και συντηρώντας σχετικές (πιθανοτικές) πεποιθήσεις. Η συνάρτηση χρησιμότητας αποτελείται από έναν γραμμικό συνδυασμό (σταθμισμένων) χαρακτηριστικών και οι πεποιθήσεις ενημερώνονται χρησιμοποιώντας έναν αλγόριθμο Markov Chain Monte Carlo. Επιπρόσθετα, σε περιπτώσεις όπου δεν έχουμε συλλέξει αρκετά δεδομένα σχετικά με τον χρήστη, σχηματίσαμε ομάδες (clusters) που δημιουργήσαμε από τα δεδομένα που έχουμε συλλέξει από άλλους χρήστες. Τέλος, προκειμένου να αξιολογήσουμε την απόδοση του συστήματός μας, το εφαρμόσαμε στον τομέα των συστάσεων για ηλεκτρονικές κρατήσεις ξενοδοχείων χρησιμοποιώντας πραγματικά σύνολα δεδομένων (datasets).el
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by-nc-sa/4.0/en
Ημερομηνία2017-07-13-
Ημερομηνία Δημοσίευσης2017-
Θεματική ΚατηγορίαRecommender systemen
Βιβλιογραφική ΑναφοράMichail-Aggelos Papilaris, "Markov Chain Monte Carlo for effective personalized recommendations", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2017en
Βιβλιογραφική ΑναφοράΜιχαήλ-Άγγελος Παπίλαρης, "Ανάπτυξη ενός αποτελεσματικού συστήματος εξατομικευμένων συστάσεων με χρήση Markov Chain Monte Carlo", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2017el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά