dc.contributor.advisor | Χαλκίδη, Μαρία | |
dc.contributor.author | Αποστολίδου, Μελίνα | |
dc.date.accessioned | 2021-07-28T06:09:24Z | |
dc.date.available | 2021-07-28T06:09:24Z | |
dc.date.issued | 2021-06 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13622 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1045 | |
dc.description.abstract | Η παρούσα διπλωματική εργασία έχει ως στόχο την παρουσίαση της συνεργατικής μάθησης ως έναν κατάλληλο τρόπο δημιουργίας μοντέλων μηχανικής μάθησης όπου τα δεδομένα των χρηστών προστατεύονται ακόμα και αν βρίσκονται κατανεμημένα σε απομακρυσμένες συσκευές. Επιπλέον, παρουσιάζονται τα συστήματα συστάσεων και ο τρόπος με τον οποίο εκπαιδεύονται και αποφασίζουν τις κατάλληλες προτάσεις για τον κάθε χρήστη. Στη συνέχεια, περιγράφεται το θεωρητικό πλαίσιο της υλοποίησης που έγινε, η οποία αφορά στην δημιουργία ενός συνεργατικού συστήματος συστάσεων το οποίο αποτελείται από ένα νευρωνικό δίκτυο ενσωμάτωσης το οποίο θα εκπαιδευτεί με συνεργατικό τρόπο. Το σύνολο δεδομένων που χρησιμοποιήθηκε αποτελείται από τις αξιολογήσεις που έδωσαν ορισμένοι χρήστες σε έναν αριθμό ταινιών. Μετά την εκπαίδευση το μοντέλο είναι σε θέση να προβλέπει την αξιολόγηση που είναι πιθανό να έδινε ένας χρήστης σε μία συγκεκριμένη ταινία ώστε αν είναι αρκετά υψηλή να την προτείνει σε αυτόν τον χρήστη για παρακολούθηση. Επιπλέον, χρησιμοποιείται μία προσωποποιημένη προσέγγιση όπου υπολογίζεται ο βαθμός στον οποίο το τοπικό μοντέλο του κάθε χρήστη αναμιγνύεται με το κεντρικό μοντέλο με στόχο τη βελτιστοποίηση της απόδοσης του μοντέλου. | el |
dc.format.extent | 72 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.title | Προσωποποιημένες συνεργατικές μέθοδοι συστάσεων | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
dc.description.abstractEN | This thesis presents federated learning as an appropriate way to create machine learning models where user data is protected even if it is distributed on remote devices. In addition, there are presented the recommender systems and the way in which they are trained and decide the appropriate proposals for each user. Then, it is described the theoretical framework of the implementation which concerns the creation of a federated recommender system that consists of an embedding neural network that will be trained in a federated way. The data set that was used consists of the ratings given by some users to a number of movies. After the training, the model is able to predict the rating that a user is likely to give to a particular movie, so that if it is high enough the movie will be recommended to this user to watch. Furthermore, a personalized approach is used to calculate the degree to which each user’s local model is mixed with the global model in order to optimize the performance of the model. | el |
dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
dc.subject.keyword | Συνεργατική μάθηση | el |
dc.date.defense | 2021-07-05 | |