| dc.contributor.advisor | Χαλκίδη, Μαρία | |
| dc.contributor.author | Zografou, Christina | |
| dc.date.accessioned | 2020-10-15T09:03:49Z | |
| dc.date.available | 2020-10-15T09:03:49Z | |
| dc.date.issued | 2019-05 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/12958 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/381 | |
| dc.description.abstract | Τα συστήματα συστάσεων γίνονται ολοένα και πιο σημαντικά στις μέρες μας προσφέροντας μεγάλο πλεονέκτημα στις επιχειρήσεις. Όμως, η ύπαρξη λίγων και αραιών δεδομένων είναι ένα σημαντικό πρόβλημα για τα συστήματα συστάσεων που κάνουν χρήση τεχνικών collaborative filtering (CF), ειδικά σε περιπτώσεις νέων χρηστών ή νέων αντικειμένων, δυσκολεύοντας τη δημιουργία προτάσεων. Εδώ έγκειται η Μεταφορά Γνώσης (Transfer Learning). Σε αυτή τη μελέτη, ο στόχος είναι να βελτιωθεί η ποιότητα των προτάσεων σε ένα σύνολο δεδομένων χρησιμοποιώντας γνώση από ένα άλλο σύνολο δεδομένων. Πιο συγκεκριμένα, ο στόχος είναι να βελτιωθούν οι συστάσεις στον τομέα CDs & Vinyl χρησιμοποιώντας βαθμολογίες από τον τομέα Digital Music. Τα πειραματικά αποτελέσματα δείχνουν ότι οι προτάσεις στον τομέα CDs & Vinyl μπορούν όντως να επωφεληθούν από τη χρήση γνώσης από τον τομέα Digital Music. | el |
| dc.format.extent | 47 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Transfer learning In recommender systems | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Recommendation systems are becoming more and more important nowadays providing companies with a great advantage. Data sparseness, though, is a major problem for collaborative filtering (CF) techniques in recommender systems, especially for new users and items, making it difficult to make good recommendations. That is where Transfer Learning comes in. In this study, the goal is to improve the quality of recommendations in a sparse dataset by exploiting knowledge from another dataset. More specifically, the goal is to improve the recommendations in the CDs & Vinyl domain by utilizing rating data from the Digital Music domain. Experimental results show that CDs & Vinyl recommendations can indeed benefit from making use of Digital Music recommendations. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Transfer learning | el |
| dc.subject.keyword | Recommendation systems | el |
| dc.date.defense | 2020-10-02 | |
