| dc.contributor.advisor | Βίρβου, Μαρία | |
| dc.contributor.author | Μπαρμπούνη, Ειρήνη | |
| dc.date.accessioned | 2026-03-13T16:27:52Z | |
| dc.date.available | 2026-03-13T16:27:52Z | |
| dc.date.issued | 2026-01 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19003 | |
| dc.description.abstract | Η παρούσα μεταπτυχιακή διατριβή εστιάζει στην ανάλυση, σχεδίαση και υλοποίηση ενός συστήματος συστάσεων (recommendation system) που υποστηρίζει την προσωποποιημένη αντιστοίχιση υποψηφίων με θέσεις εργασίας, αξιοποιώντας τεχνικές rule-based αξιολόγησης και μοντέρνες αρχιτεκτονικές αρχές λογισμικού. Το έργο αυτό εντάσσεται στο πεδίο της ευφυούς διαχείρισης ανθρώπινου δυναμικού (Intelligent Human Resource Management), όπου η ανάγκη για αυτοματοποίηση και προσωποποίηση των διαδικασιών πρόσληψης είναι ιδιαίτερα έντονη. Οι σύγχρονες αγορές εργασίας χαρακτηρίζονται από ταχύτητα, πολυπλοκότητα και όγκο πληροφορίας, καθιστώντας επιτακτική την ύπαρξη ενός πληροφοριακού συστήματος που να μπορεί να αξιολογεί, να προτείνει και να προσαρμόζεται δυναμικά στις ανάγκες χρηστών και επιχειρήσεων.
Η εφαρμογή αναπτύχθηκε με βάση την αρχιτεκτονική Hexagonal (Ports & Adapters), με στόχο να διασφαλιστούν η επεκτασιμότητα, η συντηρησιμότητα και η ανεξαρτησία από τεχνολογικές εξαρτήσεις. Η επιλογή αυτής της αρχιτεκτονικής επιτρέπει τον καθαρό διαχωρισμό της επιχειρησιακής λογικής από τα εξωτερικά συστήματα, προσφέροντας τη δυνατότητα αντικατάστασης τεχνολογιών (όπως βάσεις δεδομένων, APIs ή recommendation engines) χωρίς επιπτώσεις στη λειτουργικότητα. Με αυτόν τον τρόπο, η υλοποίηση εξασφαλίζει χαμηλή σύζευξη (loose coupling) και υψηλή συνοχή (high cohesion), χαρακτηριστικά που αποτελούν προϋπόθεση για την ανάπτυξη βιώσιμων και εξελίξιμων πληροφοριακών συστημάτων.
Κεντρικό ρόλο στο σύστημα διαδραματίζει η λογική υπολογισμού συστάσεων, η οποία στηρίζεται σε κανόνες αντιστοίχισης μεταξύ δεξιοτήτων υποψηφίων και απαιτήσεων θέσεων εργασίας. Οι δεξιότητες συλλέγονται μέσω ερωτηματολογίων που καλύπτουν τόσο τεχνικές δεξιότητες (hard skills) όσο και διαπροσωπικές δεξιότητες (soft skills). Ο μηχανισμός βαθμολόγησης παράγει μια ποσοτική αξιολόγηση της συμβατότητας κάθε υποψηφίου με κάθε θέση, επιτρέποντας την κατάταξη και προβολή των πιο κατάλληλων επιλογών.
Οι recruiters μπορούν να λαμβάνουν αυτόματα ταξινομημένες λίστες υποψηφίων, ενώ οι υποψήφιοι έχουν πρόσβαση σε προσωποποιημένες συστάσεις θέσεων, βάσει των χαρακτηριστικών και των απαντήσεών τους.
3
Η ευελιξία του συστήματος ενισχύεται περαιτέρω με τη χρήση του σχεδιαστικού προτύπου Strategy (Strategy Pattern), μέσω του οποίου καθίσταται δυνατή η εναλλαγή μεταξύ διαφορετικών recommendation στρατηγικών. Έτσι, το υπάρχον rule-based σύστημα μπορεί μελλοντικά να επεκταθεί με μοντέλα τεχνητής νοημοσύνης και μηχανικής μάθησης (AI/ML-based recommendation), χωρίς να απαιτούνται αλλαγές στην αρχιτεκτονική δομή ή στη ροή της εφαρμογής. Αυτή η προσέγγιση επιτρέπει τη σταδιακή μετάβαση προς πιο έξυπνες, προσαρμοστικές και αυτοματοποιημένες μεθόδους λήψης αποφάσεων.
Η υποδομή της εφαρμογής έχει οργανωθεί γύρω από domain services, τα οποία λειτουργούν αυτόνομα και επικοινωνούν μέσω καθορισμένων ports. Οι λειτουργίες του συστήματος εκτίθενται μέσω RESTful endpoints, επιτρέποντας τη διασύνδεση με οποιαδήποτε UI εφαρμογή, είτε πρόκειται για web είτε για mobile περιβάλλον. Το backend έχει υλοποιηθεί με χρήση Spring Boot, αξιοποιώντας την απλότητα της Java και τη δυνατότητα modular οργάνωσης που παρέχει το framework.
Στο πλαίσιο της διατριβής πραγματοποιήθηκε ανάλυση απαιτήσεων, μοντελοποίηση μέσω UML διαγραμμάτων, καθώς και υλοποίηση πλήρους backend λειτουργικότητας. Παρουσιάζονται αναλυτικά τα διαγράμματα περιπτώσεων χρήσης, τάξεων, δραστηριοτήτων και αλληλεπίδρασης, καθώς και ένα διάγραμμα ροής εξατομίκευσης που περιγράφει βήμα προς βήμα τη διαδικασία παραγωγής συστάσεων. Επίσης, περιλαμβάνονται παραδείγματα κώδικα, ενδεικτικά σενάρια χρήσης, καθώς και στιγμιότυπα οθόνης του περιβάλλοντος διεπαφής χρήστη.
Τέλος, η εργασία παρουσιάζει προτάσεις για μελλοντικές επεκτάσεις, όπως η ενσωμάτωση μοντέλων μηχανικής μάθησης, η δυναμική μάθηση από feedback, η βελτίωση της εμπειρίας χρήστη (UX) και η υποστήριξη A/B testing για την αξιολόγηση διαφορετικών recommendation στρατηγικών. Η προτεινόμενη αρχιτεκτονική μπορεί να αποτελέσει τη βάση για πιο εξελιγμένα και “έξυπνα” πληροφοριακά συστήματα στο πεδίο της απασχόλησης, συμβάλλοντας στην αποδοτικότερη αντιστοίχιση ανθρώπινου δυναμικού και θέσεων εργασίας.
Η διατριβή επομένως επιδιώκει να αναδείξει πώς οι σύγχρονες αρχιτεκτονικές αρχές και τα σχεδιαστικά πρότυπα μπορούν να ενισχύσουν τη λειτουργικότητα, τη βιωσιμότητα και την καινοτομία των συστημάτων λογισμικού, ανοίγοντας τον δρόμο για ευφυέστερες και περισσότερο προσωποποιημένες λύσεις στον χώρο της πληροφορικής και των ανθρωπίνων πόρων. | el |
| dc.format.extent | 78 | 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 | Αρχιτεκτονική και εξατομίκευση λογισμικού (backend) | el |
| dc.title.alternative | Architecture and personalization for backend applications | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This Master’s thesis focuses on the design, analysis, and implementation of a recommendation system that supports personalized candidate-job matching through a rule-based evaluation engine. The system is positioned within the domain of intelligent human resource management, addressing the growing need for automation and personalization in recruitment processes. Modern labor markets are increasingly dynamic and data-driven, requiring intelligent software capable of evaluating, filtering, and adapting recommendations for both candidates and recruiters.
The application has been developed following the principles of the Hexagonal Architecture (Ports & Adapters), aiming to achieve extensibility, maintainability, and technology independence. This architecture ensures a clear separation between business logic and external systems, allowing for the replacement of technologies (such as databases, APIs, or recommendation engines) without affecting the system’s core functionality. This results in a loosely coupled, highly cohesive structure that supports long-term scalability and flexibility.
At the heart of the system lies the recommendation engine, which calculates compatibility scores between candidates and job positions based on hard and soft skills collected through structured questionnaires. The resulting scoring mechanism enables a quantitative assessment of suitability and produces personalized job recommendations for each candidate.
Recruiters, in turn, can automatically receive ranked candidate lists per job position, facilitating faster and more objective decision-making in the hiring process.
To ensure adaptability, the system employs the Strategy Pattern, enabling the dynamic selection of different recommendation algorithms—for instance, switching between rule-based and AI-driven methods—without modifying the core architecture. This approach supports continuous experimentation and future integration of machine learning or feedback-based learning mechanisms, enhancing the personalization capabilities of the system.
The backend has been developed using Spring Boot, structured around domain services and defined ports, exposing functionalities via RESTful APIs. These APIs can be consumed by any user interface, whether web or mobile, offering a flexible and interoperable foundation. The system design process included requirements analysis, UML modeling, and the development of the complete backend flow, accompanied by data flow diagrams, code samples, and user interface snapshots.
5
The thesis concludes with a discussion on potential future extensions, such as integrating AI and ML-based recommendation models, implementing adaptive learning from user feedback, and supporting A/B testing to evaluate multiple recommendation strategies. These enhancements would allow the system to evolve into a more intelligent and adaptive platform for personalized recruitment.
Ultimately, this research demonstrates how modern software architectural principles and design patterns can be effectively combined to create systems that are modular, scalable, and future-ready, paving the way toward smarter and more personalized
digital solutions in the field of employment and human capital management. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | Ηexagonal architecture | el |
| dc.subject.keyword | Backend | el |
| dc.subject.keyword | Software personalization | el |
| dc.date.defense | 2025-12 | |