dc.contributor.advisor | Κυριαζής, Δημοσθένης | |
dc.contributor.author | Συμεωνίδης, Βασίλειος | |
dc.date.accessioned | 2018-04-30T10:02:19Z | |
dc.date.available | 2018-04-30T10:02:19Z | |
dc.date.issued | 2017 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/11186 | |
dc.description.abstract | Την τελευταία δεκαετία το διαδίκτυο έχει πλημμυρίσει από πληροφορία. Πληροφορία την οποία δεν μπορεί κάποιος να διαχειριστεί Αυτή η πληροφορία μπορεί να περιέχει από απλά δεδομένα μέχρι βίντεο, μουσική ή προϊόντα Μεγάλα καταστήματα όπως το Amazon ανάπτυξαν συστήματα προτάσεων για προτείνουν προϊόντα στους πελάτες τους πιο αποτελεσματικά Βέβαια η ανάγκη για συστήματα προτάσεων δεν περιορίζεται μόνο στον χώρο των πωλήσεων. Ιστότοποι όπως το Youtube ή το Vimeo χρειάζονται να προτείνουν στους χρήστες τους βίντεο που μπορεί να τους αρέσει να παρακολουθήσουν στη συνέχεια. Η πλατφόρμα facebook είναι ένα άλλο παράδειγμα για εφαρμογής που χρησιμοποιεί μεγάλο όγκο δεδομένων έτσι ώστε να είναι σε θέση να προτείνει τι μπορεί να θέλεις να διαβάσεις στη συνέχεια ή ποιος μπορεί να είναι φίλος σου. Τις περισσότερες φορές ένα σύστημα προτάσεων δεν είναι η κύρια λειτουργικότητα μίας εφαρμογής, είναι όμως ένα χαρακτηριστικό που μπορεί να
δώσει ένα καθαρό προβάδισμα στην επιχειρησιακή περιοχή που χρειάζεται. Η διπλωματική αυτή εργασία στοχεύει στην ανάδειξη μετρικών πάνω σε συστήματα προτάσεων που μπορούν να φανούν χρήσιμα κατά την σύγκριση
τους. Επίσης, το παρών έγγραφο, παρέχει μια σύγκριση μεταξύ δύο αλγορίθμων της οικογένειας collaborative filtering. Οι αλγόριθμοι αυτοί είναι ο content based με έμφαση στα αντικείμενα (items) και ο προσανατολισμένος στο machine learning, alternating least square (als). | el |
dc.format.extent | 71 | el |
dc.language.iso | en | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
dc.rights | Attribution-NoDerivatives 4.0 Διεθνές | * |
dc.rights | Attribution-NoDerivatives 4.0 Διεθνές | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nd/4.0/ | * |
dc.title | Recommender systems comparison | el |
dc.title.alternative | Σύγκριση συστημάτων ανάλυσης δεδομένων για παραγωγή προτάσεων | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
dc.description.abstractEN | The last decade Internet has been flooded with information. Information
that no one can filter to find what he needs, raw data, videos, music or
products. Large retail sites like Amazon developed recommenders systems
in order to offer products to their users. The need although is not limited
only to the retail area.
Web sites like Youtube or Vimeo need to recommend to each user of their,
videos that may like to watch next. Facebook is another example of an
application utilizing lots of data and offering recommendations on what you
may want to read or who may be a friend of yours. Most of the times, a
recommender system is not the core functionality of an application. It is
through a very useful feature that gives a clear advantage in any business
area needed.
This thesis aims to distinguish metrics on recommender systems that can
be proved useful to compare them. Also, this thesis performs a comparison
between two algorithms of the collaborative filtering family. The content-based with focus on items and the machine learning oriented alternating
least square (als). | el |
dc.contributor.master | Ψηφιακά Συστήματα και Υπηρεσίες | el |
dc.subject.keyword | Συστήματα προτάσεων | el |
dc.subject.keyword | Recomender Systems | el |
dc.subject.keyword | Μηχανική μάθηση | el |
dc.subject.keyword | Machine learning | el |
dc.date.defense | 2017-12-21 | |