Βελτιστοποίηση συστημάτων κοινωνικής σύστασης μέσω γενετικών αλγορίθμων

Abstract

Τα Recommender Systems - RSs στοχεύουν στην παροχή εξατομικευμένων προτάσεων για κάθε χρήστη προς τα προσφερόμενα αντικείμενα της αντίστοιχης πλατφόρμας. Οι υπάρχουσες προσεγγίσεις σχεδίασης αυτών των συστημάτων καλούνται να ανταποκριθούν στις προκλήσεις της περιορισμένης πρόσβασης και της αραιότητας των δεδομένων. Η παρούσα διατριβή διερευνά μια εναλλακτική στρατηγική σχεδιασμού ενός συστήματος σύστασης που παρακάμπτει τα αναφερόμενα προβλήματα, χρησιμοποιώντας έναν αλγόριθμο Ημι-Εποπτευόμενης Μάθησης (Semi-Supervised Learning - SSL) για την πρόβλεψη των άγνωστων αξιολογήσεων, σε συνδυασμό με έναν Γενετικό Αλγόριθμο (Genetic Algorithm). Ο αλγόριθμος SSL βασίζεται στην χρήση ενός γράφου του οποίου οι κόμβοι αντιπροσωπεύουν τους χρήστες του συνόλου δεδομένων και οι ακμές εκφράζουν τις συσχετίσεις μεταξύ τους. Η κατάλληλη επιλογή αυτού του γραφήματος συμβάλλει καθοριστικά στην ποιότητα των προβλέψεων. Για τον λόγο αυτό, έχει υλοποιηθεί ένας γενετικός αλγόριθμος ο οποίος συστηματικά εξελίσσει ολοένα και καταλληλότερα γραφήματα προσεγγίζοντας την βέλτιστη λύση. Σε δεύτερο στάδιο, εκτελείται μια τοπική αναζήτηση στον χώρο γύρω από την καλύτερη λύση με λογική Αναρρίχησης Λόφου (Hill Climbing), για την περαιτέρω βελτίωση της. Ο γενετικός αλγόριθμος έχει εφαρμοστεί στο ευρέως διαδεδομένο σύνολο δεδομένων MovieLens 100K επιτυγχάνοντας την εύρεση γραφημάτων, τα οποία παρέχουν στο μοντέλο Ημι-Εποπτευόμενης Μάθησης την δυνατότητα να εξάγει προβλέψεις υψηλής ακρίβειας.