Λειτουργίες σύγκρισης και πράξεων με ανωνυμοποιημένα αριθμητικά δεδομένα

Abstract

Η ραγδαία αύξηση του διαθέσιμου ψηφιακού περιεχομένου έχει καταστήσει ολοένα και πιο δύσκολη την εύρεση πληροφοριών που ανταποκρίνονται στις πραγματικές ανάγκες και προτιμήσεις των χρηστών. Στο πλαίσιο αυτό, τα συστήματα συστάσεων (recommender systems) αποτελούν σήμερα πολύ χρήσιμα εργαλεία, καθώς παρέχουν προσωποποιημένες προτάσεις και διευκολύνουν την πλοήγηση σε περιβάλλοντα όπου ο μεγάλος όγκος πληροφορίας αποτελεί συνεχή πρόκληση. Αντικείμενο της παρούσας πτυχιακής εργασίας είναι η μελέτη, υλοποίηση και αξιολόγηση τριών προσεγγίσεων εξατομικευμένων συστημάτων σύστασης. Η πρώτη υλοποίηση αφορά ένα σύστημα συστάσεων βασισμένο στο περιεχόμενο (Content-based Filtering) σε Python, το οποίο αξιοποιεί τεχνικές όπως το shingling, MinHash υπογραφές και τη δομή δάσους Locality Sensitive Hashing για την ανίχνευση ομοιοτήτων μεταξύ περιγραφών υπηρεσιών. Παράλληλα, υλοποιήθηκε σε Python ένα σύστημα συνεργατικού φιλτραρίσματος (Collaborative Filtering), το οποίο αξιοποιεί τις αξιολογήσεις των χρηστών για να προτείνει νέες υπηρεσίες, λαμβάνοντας υπόψη τις προτιμήσεις χρηστών με παρόμοια ενδιαφέροντα. Τέλος, υλοποιήθηκε ένα σύστημα βασισμένο στην τεχνική της παραγοντοποίησης πινάκων (Matrix Factorization) σε C# που υποστηρίζεται από την βιβλιοθήκης ML.NET της Microsoft, το οποίο εκπαιδεύτηκε σε μεγάλο και αραιό σύνολο δεδομένων. Η μεθοδολογική προσέγγιση περιλάμβανε τόσο τη θεωρητική ανάλυση κάθε τεχνικής όσο και την ανάπτυξη λειτουργικού κώδικα. Για κάθε υλοποίηση εξετάστηκαν οι προκλήσεις που ανακύπτουν καθώς και οι δυνατότητες που προσφέρει κάθε μέθοδος για την αντιμετώπισή τους.