| dc.contributor.advisor | Χαλκίδη, Μαρία | |
| dc.contributor.author | Σιράγας, Γεώργιος | |
| dc.date.accessioned | 2024-08-26T09:02:47Z | |
| dc.date.available | 2024-08-26T09:02:47Z | |
| dc.date.issued | 2024-07 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16669 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4091 | |
| dc.description.abstract | Τα συστήματα συστάσεων χρησιμοποιούνται ευρέως στις πλατφόρμες ψυχαγωγίας και στις επιχειρήσεις ηλεκτρονικού εμπορίου για την εξατομίκευση της εμπειρίας των χρηστών και τη βελτίωση της ικανοποίησης των πελατών. Ωστόσο, αντιμετωπίζουν σημαντικές προκλήσεις, όπως το πρόβλημα της αραιότητας των δεδομένων, όπου τα δεδομένα αλληλεπίδρασης είναι αραιά, και το πρόβλημα της ψυχρής εκκίνησης (cold start), όπου νέοι χρήστες ή αντικείμενα δεν έχουν επαρκή δεδομένα αλληλεπίδρασης ώστε οι αλγόριθμοι που παράγουν συστάσεις να εκπαιδευθούν και να αποδώσουν ικανοποιητικά.
Η μεταφορά γνώσης αποτελεί μια προσέγγιση μηχανικής μάθησης, η οποία αξιοποιεί τη γνώση που αποκτάται από την επίλυση ενός προβλήματος για την ενίσχυση της λύσης ενός διαφορετικού αλλά σχετικού προβλήματος. Η εφαρμογή τεχνικών μεταφοράς γνώσης σε συστήματα συστάσεων αποσκοπεί στην αντιμετώπιση των ζητημάτων που αντιμετωπίζουν οι παραδοσιακές προσεγγίσεις επιτρέποντας την εκπαίδευση μοντέλων με λιγότερα δεδομένα και με βελτιωμένη απόδοση.
Στην παρούσα διπλωματική εργασία διερευνάται η εφαρμογή της μεταφοράς μάθησης σε συστήματα συστάσεων συνεργατικού φιλτραρίσματος με μη-επικαλυπτόμενες οντότητες. Πιο συγκεκριμένα, η μελέτη επικεντρώνεται σε σενάρια όπου δεν υπάρχουν κοινοί χρήστες ή αντικείμενα μεταξύ των τομέων, χρησιμοποιώντας μόνο τις αξιολογήσεις των χρηστών για τη μεταφορά γνώσης, χωρίς να γίνει χρήση μεταδεδομένων. Οι τομείς που χρησιμοποιούνται είναι Ταινίες και Βιβλία και τα πειραματικά αποτελέσματα αξιολογούνται με βάση την ακρίβεια της προτεινόμενης μεθόδου σε σύγκριση με παραδοσιακές τεχνικές συστάσεων που δεν κάνουν χρήση μεταφοράς γνώσης.
Αν και ο προτεινόμενος αλγόριθμος έδειξε ότι μπορεί να βελτιώσει τις συστάσεις και να μεταφέρει θετικά γνώση υπό συγκεκριμένες συνθήκες, δεν ήταν αρκετός για να ξεπεράσει σε απόδοση όλες τις παραδοσιακές μεθόδους με τις οποίες συγκρίθηκε και συγκεκριμένα την μέθοδο SVD (singular value decomposition). | el |
| dc.format.extent | 66 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Μια προσέγγιση μεταφοράς γνώσης σε συστήματα συστάσεων συνεργατικού φιλτραρίσματος με μη-επικαλυπτόμενες οντότητες | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Recommender systems are widely used in entertainment platforms and e-commerce businesses to personalize user experiences and enhance customer satisfaction. However, they face significant challenges, such as the sparsity problem, where interaction data is sparse, and the cold start problem, where new users or items lack sufficient interaction data for recommendation algorithms to train effectively.
Transfer learning is a machine learning approach that leverages knowledge gained from solving one problem to improve the solution of a different but related problem. Applying transfer learning techniques to recommender systems aims to address the challenges faced by traditional approaches, enabling the training of models with less data and improved performance.
This dissertation investigates the application of transfer learning in collaborative filtering recommender systems with non-overlapping entities. Specifically, the study focuses on scenarios where there are no common users or items between domains, using only user ratings to transfer knowledge without relying on metadata. The domains used are Movies and Books, and the experimental results are evaluated based on the accuracy of the proposed method compared to traditional recommendation techniques that do not utilize transfer learning.
Although the proposed algorithm demonstrated the potential to improve recommendations and positively transfer knowledge under certain conditions, it was not sufficient to outperform all traditional methods it was compared against, particularly the singular value decomposition (SVD) method. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Transfer learning | el |
| dc.subject.keyword | Recommender systems | el |
| dc.subject.keyword | Collaborative filtering | el |
| dc.date.defense | 2024-07-25 | |
