Εφαρμογές τεχνικών μηχανικής μάθησης σε δεδομένα γράφων
| dc.contributor.advisor | Χαλκίδη, Μαρία | |
| dc.contributor.author | Λουρίδας, Σάββας | |
| dc.date.accessioned | 2024-03-19T12:14:07Z | |
| dc.date.available | 2024-03-19T12:14:07Z | |
| dc.date.issued | 2024-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16285 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3707 | |
| dc.description.abstract | Στη σύγχρονη εποχή μας τα συστήματα συστάσεων βασίζονται σε μεγάλο βαθμό στη μηχανική μάθηση για να μαθαίνουν αυτόματα και να βελτιώνονται με την πάροδο του χρόνου με βάση τα δεδομένα και τα σχόλια των χρηστών. Πολλοί ιστότοποι και εφαρμογές όπως κοινωνικά δίκτυα, υπηρεσίες περιεχομένου, πλατφόρμες ηλεκτρονικού εμπορίου και άλλα, χρησιμοποιούν αλγόριθμους συστάσεων για να βοηθήσουν τους χρήστες να βρουν νέα αγαθά, υπηρεσίες ή πληροφορίες που μπορεί να τους ενδιαφέρουν. Προκειμένου να μοντελοποιήσουν τα γούστα και τα ενδιαφέροντα ενός χρήστη τα συστήματα συστάσεων χρησιμοποιούν αλγόριθμους μηχανικής μάθησης για την αξιολόγηση τεράστιου όγκου δεδομένων χρήστη, συμπεριλαμβανομένων αξιολογήσεων, ερωτημάτων αναζήτησης και προηγούμενων αγορών. Στη συνέχεια, με τη χρήση αυτού του μοντέλου παράγονται εξατομικευμένες συστάσεις με βάση τις απαιτήσεις και τα γούστα κάθε χρήστη. Στην παρούσα μεταπτυχιακή διπλωματική εργασία έχουμε σκοπό να μελετήσουμε τη θεωρία των γράφων δηλαδή τους τύπους γράφων, τον τρόπο που αποτυπώνονται, που εφαρμόζονται και τα προβλήματα κατά την εφαρμογή τους. Επίσης να εξετάσουμε στη μηχανική μάθηση τις μορφές της, τα μοντέλα της, που εφαρμόζεται και τους περιορισμούς της. Μετά να προχωρήσουμε σε ένα πρακτικό πείραμα. Για το πείραμα μας μεθοδολογία μας ήταν να πάρουμε το σύνολο δεδομένων MovieLens 100K, το εξερευνήσαμε βγάζοντας χρήσιμα συμπεράσματα ανάλυσης δεδομένων σε γράφημα, το φέραμε στην κατάλληλη μορφή ετερογενή μη-κατευθυνόμενου γράφου τον οποίο τελικά χρησιμοποιήσαμε για να εκπαιδεύσουμε ένα σύστημα συστάσεων αλγορίθμου τύπου γράφου νευρωνικού δικτύου. Τελικά κάναμε δύο πειράματα αλλάζοντας τα κριτήρια εκπαίδευσης και μετρήσαμε την απόδοση του αλγορίθμου σε κάθε περίπτωση με τις μετρικές της απώλειας δυαδικής διασταυρούμενης εντροπίας με logits (loss) και της περιοχής κάτω από τη καμπύλη ROC (AUC) τις οποίες οπτικοποιήσαμε σε γραφήματα για την κάθε περίπτωση ώστε να δούμε ευκολότερα τα αποτελέσματα. Τελικά συμπεράναμε και στις δύο περιπτώσεις πως το σύστημα μας απέδωσε “εξαιρετικά”. | el |
| dc.format.extent | 62 | 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 | Εφαρμογές τεχνικών μηχανικής μάθησης σε δεδομένα γράφων | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | In our modern age recommender systems rely heavily on machine learning to automatically learn and improve over time based on user data and feedback. Many websites and applications such as social networks, content services, e-commerce platforms and others use recommendation algorithms to help users find new goods, services or information that may be of interest to them. In order to model a user's tastes and interests, recommender systems use machine learning algorithms to evaluate vast amounts of user data, including ratings, search queries and past purchases. Then, using this model, personalized recommendations are generated based on each user's requirements and tastes. In this master's thesis we aim to study the theory of graphs, meaning the types of graphs, the way they are visualized, applied and the problems during their application. Also we examine in machine learning its forms, its models, its applications and its limitations. Afterwards we proceeded to a practical experiment. For our experiment our methodology was to take the MovieLens 100K dataset, explore it by making useful graph data analysis inferences, bring it into the appropriate heterogeneous bidirectional graph format which we eventually used to train a graph neural network algorithm recommendation system. Finally we did two experiments changing the training criteria and measured the performance of the algorithm in each case with the metrics binary cross entropy loss with logits (loss) and area under the ROC curve (AUC) which we visualized in graphs for each case to make it easier to see the results. In the end we concluded in both cases that our system performed "outstanding". | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Δεδομένα γράφων | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Συστήματα συστάσεων | el |
| dc.subject.keyword | Νευρωνικά δίκτυα | el |
| dc.subject.keyword | Πάιθον | el |
| dc.date.defense | 2024-02-16 |
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