dc.contributor.advisor | Halkidi, Maria | |
dc.contributor.advisor | Χαλκίδη, Μαρία | |
dc.contributor.author | Fritzela, Maria | |
dc.contributor.author | Φριτζελά, Μαρία | |
dc.date.accessioned | 2023-10-19T05:44:34Z | |
dc.date.available | 2023-10-19T05:44:34Z | |
dc.date.issued | 2023-01 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15809 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3231 | |
dc.description.abstract | Η διπλωματική εργασία διερευνά την έννοια της «ευχάριστης έκπληξης» (serendipity) και τις προκλήσεις
που σχετίζονται με την ενσωμάτωσή της σε συστήματα συστάσεων. Μέσω της μελέτης σχετικής
ερευνητικής βιβλιογραφίας στον τομέα και της λεπτομερούς ανάλυσης του διαθέσιμου συνόλου
δεδομένων, ορίστηκαν τρία χαρακτηριστικά ώστε να χρησιμοποιηθούν για την πρόβλεψη ενός δείκτη
«ευχάριστης έκπληξης» ο οποίος βασίζεται σε πραγματικά σχόλια χρηστών σε προτάσεις ταινιών. Το
μοντέλο Random Forest επιλέχθηκε, εκπαιδεύτηκε, και αξιολογήθηκε στο δημιουργηθέν σύνολο
δεδομένων. Τα αποτελέσματα προσφέρουν πληροφορία σχετικά με την προοπτική χρήσης μοντέλων
πρόβλεψης για την ανακατάταξη αποτελεσμάτων λιστών συστάσεων με στόχο τη μεγιστοποίηση της
ευχάριστης έκπληξης των χρηστών ενός συστήματος. Μέσω αυτής της εργασίας, ελπίζεται να
προσφερθεί μια συμβολή προς την καλύτερη κατανόηση της «ευχάριστης έκπληξης», και επιπλέον η
εργασία να αποτελέσει σημείο εκκίνησης για μελλοντική έρευνα στο συγκεκριμένο πεδίο. | el |
dc.format.extent | 41 | 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 | A serendipity oriented recommendation system | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
dc.description.abstractEN | This thesis explores the concept of serendipity and the challenges associated with incorporating into
recommendation systems. Through the study of related research in the field and the detailed analysis of
the available dataset, three features were generated to be used for predicting a defined serendipity score
based on real user feedback in movie recommendations. A Random Forest model was selected, trained,
and evaluated on the generated dataset. The results offer insights into the potential of using predictive
models for reranking recommendation lists to maximize serendipity for users. Through this work, it is
hoped to provide a contribution towards a better understanding of serendipity and offer a starting point
for future work in this area. | el |
dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
dc.subject.keyword | Information retrieval | el |
dc.subject.keyword | Recommender systems | el |
dc.subject.keyword | Serendipity | el |
dc.date.defense | 2023-03-20 | |