Ranking recommendations via online learning
| dc.contributor.advisor | Τελέλης, Ορέστης | |
| dc.contributor.author | Σούφλας, Ευστάθιος | |
| dc.date.accessioned | 2021-03-17T07:49:46Z | |
| dc.date.available | 2021-03-17T07:49:46Z | |
| dc.date.issued | 2021-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13322 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/745 | |
| dc.description.abstract | Στη σημερινή εποχή, που χαρακτηρίζεται από υψηλούς ρυθμούς μετάδοσης της πληροφορίας και της ολοένα αυξανόμενης χρήσης του παγκόσμιου ιστού, υπάρχουν πολλές εφαρμογές και ιστοσελίδες που χειρίζονται συστήματα συστάσεων, προκειμένου να παρέχουν στους χρήστες τους τις καλύτερες δυνατές προτάσεις. Η λύση για τέτοιου είδους συστήματα δίνεται από την «Άμεση Μάθηση», η οποία απαιτεί χαμηλούς υπολογιστικούς πόρους και προσφέρει βέλτιστα αποτελέσματα. Στην παρούσα διπλωματική εργασία, εξετάζουμε την «Άμεση Μάθηση» και ειδικά το πρόβλημα των «Πολλαπλών Κουλοχέρηδων», που αποτελεί μία από τις διαστάσεις της. Σε επόμενα τμήματα, θα παρουσιάσουμε ορισμένους από τους πιο γνωστούς αλγόριθμους άμεσης μάθησης, που αναφέρονται στο προαναφερθέν πρόβλημα. Συγκεκριμένα, μας ενδιαφέρουν οι «διατεταγμένες συστάσεις» και η χρήση του μετα-αλγορίθμου «Αλγόριθμος Διατεταγμένων Κουλοχέρηδων» (RBA) στα πειράματά μας, ο οποίος χειρίζεται εκδοχές άλλων αλγορίθμων άμεσης μάθησης. Μελετάμε τη σύγκλιση του RBA μέσω των «επιχορηγούμενων συστάσεων», στις οποίες κάθε άρθρο είναι συσχετισμένο με ένα έσοδο, ενώ κάθε χρήστης είναι ένα υποσύνολο των άρθρων που τον ενδιαφέρουν και προέρχεται τυχαία από ένα σύνολο διαφορετικών πληθυσμών. | el |
| dc.format.extent | 51 | el |
| dc.language.iso | en | 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 | Ranking recommendations via online learning | el |
| dc.title.alternative | Διατεταγμένες συστάσεις μέσω άμεσης μάθησης | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | These days, that can be characterized by high rates of information transmission and the increasingly usage of world wide web, there are plenty of applications and websites that handle recommendations systems, in order to provide their users with the best possible suggestions. The solution to such systems is given by Online Learning, which demand low computational resources and yield optimum results. In this work, we examine Online Learning and especially the Multi-armed Bandit problem, which is one of its aspects. In later sections, we will present some of the most known online learning algorithms that refer to that problem. Specifically, we are interested in rankings of recommendations and the usage of the meta-algorithm Ranked Bandits Algorithm (RBA) in our experiments, which manipulates instances of other online algorithms. We study the convergence of RBA through “sponsored recommendations”, in which each document is related to an income, while each user is a subset of the documents he is interested in and derives randomly from a set of different populations. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Online learning | el |
| dc.subject.keyword | Ranked recommendations | el |
| dc.subject.keyword | Multi-armed bandit problem | el |
| dc.date.defense | 2021-02-26 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα