| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Σταθόπουλος, Μάρκος | |
| dc.date.accessioned | 2021-10-04T12:15:35Z | |
| dc.date.available | 2021-10-04T12:15:35Z | |
| dc.date.issued | 2021-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13723 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1146 | |
| dc.description.abstract | H παρούσα μεταπτυχιακή διατριβή είναι μια συγκριτική μελέτη αλγορίθμων κοινωνικής σύστασης μέσω νευρωνικών δικτύων. Τα τελευταία χρόνια, η σημασία των νευρωνικών δικτύων Γράφων στην επίλυση προβλημάτων μηχανικής μάθησης έχει αυξηθεί και μεγάλο μέρος αυτού του τύπου αρχιτεκτονικών δημιουργείται ετησίως, με εφαρμογές σε κοινωνικά δίκτυα και ηλεκτρονικό εμπόριο. Υπάρχουν πολλές κλασικές εφαρμογές για την ολοκλήρωση της μήτρας και τις μεθόδους συνεργατικού φιλτραρίσματος, και τα τελευταία χρόνια έχουν χρησιμοποιηθεί για συστήματα συστάσεων, γραφήματα που αντιπροσωπεύουν τη σύνθετη δομή των σύγχρονων βάσεων δεδομένων. Αρκετά προβλήματα προκύπτουν από την αναπαράσταση των χαρακτηριστικών και τις λανθάνουσες ενσωματώσεις αντικειμένων, οι οποίες γίνονται πιο εμφανείς από την έλλειψη τοπολογίας των εν λόγω δομών. Επίσης υπάρχει ώθηση για εκπαίδευση των δικτύων από άκρη σε άκρη χωρίς χειρωνακτική προσαρμογή της εισόδου όπως και χρήση τεχνικών GAT, CGN κλπ. Σε αυτήν την εργασία δοκιμάζονται και συγκρίνονται μερικές από τις καλύτερες τρέχουσες εφαρμογές αυτών των αρχιτεκτονικών κοινωνικής σύστασης, χρησιμοποιώντας κοινά σύνολα δεδομένων ανοιχτού κώδικα, που περιέχουν στοιχεία χρηστών και αλληλεπιδράσεις σε μορφή γραφήματος. | el |
| dc.format.extent | 79 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Συγκριτική μελέτη αλγορίθμων κοινωνικής σύστασης μέσω νευρωνικών δικτύων γράφων | el |
| dc.title.alternative | A Comparative study of social recommendation algorithms via graph neural networks | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This postgraduate dissertation is a comparative study of social recommendation algorithms via graph neural networks. In recent years, the importance of graph NN in solving machine learning problems have grown and a large amount of this type of architectures has been generated yearly with applications in social networks, and e-commerce. There are many classical implementations on matrix completion and collaborative filtering methods, and in recent years graphs representing the complex structure of modern databases have been used for inference. Problems arise from feature architecting and latent object embeddings, which become more prominent by the lack of topology and permutation variance of said structures. There is a push towards end to end training and use of state of the art neural models such as GAT, CGN etc. In this paper some of the best current implementations of these social recommendation architectures are tested and compared together, using common opensource datasets, that contain users items and interactions in graph form. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | Νευρωνικά δίκτυα γράφων | el |
| dc.subject.keyword | GNN | el |
| dc.subject.keyword | CGN | el |
| dc.subject.keyword | RecSYS | el |
| dc.subject.keyword | Graph neural networks | el |
| dc.subject.keyword | Social recommendation | el |
| dc.date.defense | 2021-09-13 | |
