dc.contributor.advisor | Βίρβου, Μαρία | |
dc.contributor.author | Μάλλιος, Αναστάσιος | |
dc.date.accessioned | 2024-12-16T12:31:27Z | |
dc.date.available | 2024-12-16T12:31:27Z | |
dc.date.issued | 2024-09 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17236 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4659 | |
dc.description.abstract | Στη σημερινή ψηφιακή εποχή, η ταχεία ανάπτυξη των πλατφορμών ηλεκτρονικών αγορών αλλά και ροής περιεχομένου έχει οδηγήσει σε ένα μεγάλο αριθμό διαθέσιμων προϊόντων και περιεχομένου, καθιστώντας δύσκολο για τους χρήστες να εντοπίσουν το υλικό που τους ενδιαφέρει. Τα συστήματα προτάσεων έχουν αναδειχθεί ως βασικό εργαλείο για τη βελτίωση της εμπειρίας των χρηστών, προσφέροντας εξατομικευμένες προτάσεις για την ικανοποίηση των χρηστών. Σε αυτή την πτυχιακή εργασία, δημιουργήθηκε ένα σύστημα προτάσεων βασισμένο σε μια πλατφόρμα ηλεκτρονικών αγορών για φορητούς υπολογιστές. Χρησιμοποιήθηκαν τα χαρακτηριστικά των φορητών υπολογιστών για την ανάπτυξη ενός συστήματος προτάσεων βασισμένο στο content-based filtering (φιλτράρισμα βάσει περιεχομένου). Σε αντίθεση με ένα τυπικό content-based filtering σύστημα που προτείνει παρόμοια προϊόντα, στην περίπτωση αυτής της εργασίας δίνεται έμφαση στις προτάσεις προϊόντων καλύτερης σχέσης ποιότητας/τιμής από το προϊόν που επέλεξε ο χρήστης. Το σύστημα στοχεύει στην καθοδήγηση μη έμπειρων χρηστών, στην αγορά του καταλληλότερου φορητού υπολογιστή με βάση τις ανάγκες τους. Χρησιμοποιεί τεχνικές φιλτραρίσματος και εισαγωγής των προτιμήσεων του χρήστη όσον αφορά την μέγιστη τιμή και την κατηγορία του προϊόντος που επιθυμεί να αγοράσει, διασφαλίζοντας ακρίβεια στις προτάσεις που γίνονται στον τελικό χρήστη. Αξιοποιήθηκε η μετρική Precision@N για την αξιολόγηση της ακρίβειας του συστήματος. Χρησιμοποιήθηκε σύνολο δεδομένων πολλών διαφορετικών κατηγοριών φορητών υπολογιστών, τα οποία προ-επεξεργάστηκαν και προσαρμόστηκαν κατάλληλα. Το σύστημα υλοποιήθηκε χρησιμοποιώντας το Python-based web framework Django για το backend και τη βιβλιοθήκη JavaScript React για το frontend. Μέσα από αυτή την πτυχιακή εργασία, γίνεται πρακτική εφαρμογή τεχνικών των συστημάτων προτάσεων και διερευνώνται οι δυνατότητες τους σε περιβάλλον διαδικτυακών αγορών. | 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 | 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 | Σύστημα προτάσεων αγορών εξατομικευμένο σε ανάγκες χρηστών | el |
dc.title.alternative | Recommender system for purchases with personalization on users’ needs | el |
dc.type | Bachelor Dissertation | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
dc.description.abstractEN | In today’s digital age, the rapid growth of online shopping and content streaming platforms has resulted in an overwhelming number of products and content available, making it difficult for users to locate the items they are interested in. Recommender systems have emerged as a key tool for improving user experience, by offering personalized recommendations for user satisfaction. In this thesis, a recommendation system based on an online shopping platform for laptops was developed. The features of the laptops were used to develop a recommender system based on the content-based filtering. In contrast to a typical content-based filtering system that recommends similar products, in this case emphasis is placed on the recommendations of products with a better quality/price ratio than the product selected by the user. The system aims to guide inexperienced users, in purchasing the most suitable laptop based on their needs. It uses filtering techniques and user’s preferences regarding the maximum price and category of the product he wishes to buy, ensuring accuracy in the suggestions made on the end user. The Precision@N metric was used to evaluate the accuracy of the system. A dataset of several different categories of laptops was used, which were pre-processed and adjusted accordingly. The system was implemented using the Python-based web framework Django for the backend and the JavaScript library React for the frontend. Through this thesis, a practical application of recommendation system techniques is made, and their capabilities are investigated in an online shopping environment. | el |
dc.subject.keyword | Σύστημα προτάσεων | el |
dc.subject.keyword | Φιλτράρισμα βάσει περιεχομένου | el |
dc.subject.keyword | Εξατομικευμένες προτάσεις | el |
dc.subject.keyword | Ψηφιακές αγορές | el |
dc.subject.keyword | Ικανοποίηση χρήστη | el |
dc.date.defense | 2024-09-20 | |