Recommender systems comparison

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).