Λειτουργίες σύγκρισης και πράξεων με ανωνυμοποιημένα αριθμητικά δεδομένα
| dc.contributor.advisor | Σακκόπουλος, Ευάγγελος | |
| dc.contributor.author | Μανωλά, Αναστασία | |
| dc.date.accessioned | 2025-10-07T06:59:04Z | |
| dc.date.available | 2025-10-07T06:59:04Z | |
| dc.date.issued | 2025-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18180 | |
| dc.description.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. | el |
| dc.format.extent | 53 | 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 | Λειτουργίες σύγκρισης και πράξεων με ανωνυμοποιημένα αριθμητικά δεδομένα | el |
| dc.title.alternative | Comparison and operations with anonymized numerical data | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | The rapid growth of digital content has made it increasingly challenging for users to find information that truly matches their needs and preferences. In this context, recommender systems have emerged as valuable tools, offering personalized suggestions and helping users navigate environments where the sheer amount of information can be overwhelming. This thesis focuses on the study, implementation, and evaluation of three different approaches to personalized recommender systems. The first is a content-based filtering system developed in Python, which uses techniques such as shingling, MinHash signatures, and Locality Sensitive Hashing to detect similarities between service descriptions. In addition, a collaborative filtering system was also built in Python, relying on user ratings to suggest new services by considering the preferences of users with similar interests. Finally, a matrix factorization–based system was implemented in C# using Microsoft’s ML.NET library, trained on a large and sparse dataset. The methodology combined both the theoretical analysis of each technique and the development of working code. For each implementation, the challenges encountered were explored along with the potential of each method to address them. | el |
| dc.subject.keyword | Αλγόριθμοι εξατομίκευσης | el |
| dc.subject.keyword | Φιλτράρισμα βάσει περιεχομένου | el |
| dc.subject.keyword | Συνεργατικό φιλτράρισμα | el |
| dc.subject.keyword | Παραγοντοποίηση πινάκων | el |
| dc.subject.keyword | ML.NET | el |
| dc.date.defense | 2025-10-10 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
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