Extending hypernetwork-based recommender systems for the cold-start problem using side information
| dc.contributor.advisor | Halkidi, Maria | |
| dc.contributor.advisor | Χαλκίδη, Μαρία | |
| dc.contributor.author | Panis, Konstantinos | |
| dc.contributor.author | Πάνης, Κωνσταντίνος | |
| dc.date.accessioned | 2026-03-26T11:31:01Z | |
| dc.date.available | 2026-03-26T11:31:01Z | |
| dc.date.issued | 2026-03 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19073 | |
| dc.description.abstract | Το πρόβλημα της κρύας έναρξης (cold-start) αποτελεί θεμελιώδες πρόβλημα των συστηματών συστάσεων, καθότι απαιτεί την παροχή αποτελεσματικών προσωποποποιημένων συστάσεων σε χρήστες με περιορισμένό ή ακόμη μηδαμινό ιστορικό αλληλεπιδράσεων με το σύστημα. Παρότι η ενσωμάτωση βοηθητικών δεδομένων (side information) έχει ευρέως μελετηθεί στα παραδοσιακά συστήματα συστάσεων, η αποτελεσματικότητα σε συστήματα συστάσεων που ακολουθούν την μετά-εκπαίδευση (meta-learning) και βασιζόνται σε υπερ-δικτύα (hypernetwork) παραμένει ανεπαρκώς εξερευνημένη. Η παρούσα διπλωματική εργασία εξετάζει τις δυνατότητες του μετά-εκπαιδευομένου μοντέλου HyperRS με την ενσωμάτωση ετερογενών βοηθητικών πληροφοριών. Συγκεκριμένα, μελετάται η ενσωμάτωση δύο τύπων βοηθητικών πληροφοριών: αναπαράστασεις αντικειμένων βασισμένες σε τεχνικές επεξεργασίας φυσικής γλώσσας (Natural Language Processing) οι οποίες έχουν αντληθεί από πλοκές ταινιών κωδικοποιημένες από μοντέλο SBERT, δημογραφικά δεδομένα του χρήστη και ο συνδυασμός των δύο πληροφοριών. Τα αποτελέσματα της έρευνας υποδεικνύουν ότι οι εννοιολογικά εμπλουτισμένες αναπαραστάσεις αντικειμένων αποδίδουν ελάχιστη βελτίωση στην απόδοση του συστήματος ύπο ήπιες συνθήκες κρύας έναρξης, ενώ η αποτελεσματικότητα τους μειώνεται όσο η σοβαρότητα της κρύας έναρξης αυξάνεται. Εν αντιθέσει, τα δημογραφικά στοιχεία του χρήστη δεν φαίνεται να βελτιώνουν την απόδοση. Γενικά, τα αποτελέσματα υποδηλώνουν ότι η αποδοτικότητα της επιπρόσθετης βοηθητικής πληροφορίας επηρεάζεται σημαντικά από το μέγεθος των διαθέσιμων δεδομένων αλληλεπίδρασης, και ότι τα μοτίβα που αποκαλύπτουν οι αλληλεπιδράσεις παραμένουν θεμελιώδη ακόμα και στα μοντέλα μετά-εκπαίδευσης. Η κύρια συνεισφορά της παρούσης εργασίας έγκειται στην συστημική επέκταση των συστημάτων συστάσεων βασισμένα σε υπέρ-δίκτυα μέσω της ενσωμάτωσης διαφορετικών τύπων βοηθητικής πληροφορίας υπό διαφορετικές συνθήκες κρύας έναρξης, τονίζοντας σημαντικούς ενδοιασμούς στην ενσωμάτωση τέτοιων πληροφοριών σε πραγματικά σενάρια συστημάτων συστάσεων. | el |
| dc.format.extent | 55 | el |
| dc.language.iso | en | 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 | Extending hypernetwork-based recommender systems for the cold-start problem using side information | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The cold-start problem constitutes a fundamental challenge in recommender systems, as it requires generating accurate personalized recommendations for users with limited or even no prior interaction history. Although the integration of side information has been widely adopted in traditional recommender systems, its effectiveness within meta-learning hypernetwork based framework remains insufficiently explored. This thesis investigates the capabilities of the HyperRS meta-learning model when heterogeneous side information is incorporated under different user cold start settings. Specifically, the integration of two types of side information is examined: NLP-based item representations derived from SBERT-encoded movie plots and user demographic data. Three extensions of the original HyperRS model are proposed, integrating SBERT-derived movie-plot embeddings, user demographic information and their combination, respectively. The experimental results indicate that semantically enriched item side information provides marginal performance improvements under moderate cold-start conditions but becomes less effective as cold-start severity increases. In contrast, user demographic information appears to contribute weak personalization signal and does not consistently improve performance. Overall, the results demonstrate that the effectiveness of additional side information in hypernetwork based recommender systems is highly dependent on interaction data sufficiency and that interaction-based signals remain fundamental even within meta-learning frame works. The main contribution of this study lies in the systematic extension and evaluation of hypernetwork-based reccomender systems through the integration of different types of side information under varying cold-start conditions, highlighting important considerations for the integration of heterogeneous side information in practical recommendation scenarios. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Recommender Systems | el |
| dc.subject.keyword | Cold-Start Problem | el |
| dc.subject.keyword | Meta Learning | el |
| dc.date.defense | 2026-03-10 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
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