Ευφυή συστήματα συστάσεων : τεχνικές και υλοποίηση

Βεργής, Χρήστος

dc.contributor.advisor	Λιαγκούρας, Κωνσταντίνος
dc.contributor.author	Βεργής, Χρήστος
dc.date.accessioned	2026-09-24T10:44:29Z
dc.date.available	2026-09-24T10:44:29Z
dc.date.issued	2026-09
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/19785
dc.description.abstract	Η ραγδαία αύξηση του όγκου της διαθέσιμης ψηφιακής πληροφορίας έχει αναδείξει τα συστήματα συστάσεων (Recommendation Systems) σε έναν από τους πιο κρίσιμους τομείς εφαρμογής της τεχνητής νοημοσύνης, με εφαρμογές που εκτείνονται από το ηλεκτρονικό εμπόριο και τις υπηρεσίες ροής περιεχομένου έως την εκπαίδευση, την υγεία και τη γεωργία. Η παρούσα πτυχιακή εργασία πραγματοποιεί συστηματική βιβλιογραφική ανασκόπηση εκατό πρόσφατων επιστημονικών δημοσιεύσεων, κυρίως της περιόδου 2020-2026, με στόχο να χαρτογραφήσει συγκριτικά την εξέλιξη, τις αρχιτεκτονικές και τις προκλήσεις του πεδίου. Η εργασία ξεκινά από τις κλασικές μεθόδους συνεργατικής διήθησης και παραγοντοποίησης πίνακα, προχωρά στις αρχιτεκτονικές βαθιάς μάθησης (όπως οι αυτόματοι κωδικοποιητές, το Neural Collaborative Filtering και οι μηχανισμοί Self-Attention) και εξετάζει εκτενώς τα Γραφικά Νευρωνικά Δίκτυα, τα οποία αναπαριστούν τις αλληλεπιδράσεις χρήστη-αντικειμένου ως γράφο, επιτρέποντας πιο εκφραστική μοντελοποίηση πολύπλοκων σχέσεων. Ιδιαίτερη έμφαση δίνεται σε ειδικές κατηγορίες συστημάτων (context-aware, multi-behavior, ερμηνεύσιμα, με επίγνωση δικαιοσύνης), καθώς και στους κυριότερους τομείς εφαρμογής, από το παραδοσιακό ηλεκτρονικό εμπόριο έως αναδυόμενα πεδία όπως η υγεία, η γεωργία και η κυβερνοασφάλεια. Η εργασία αναλύει επίσης κριτικά τις κεντρικές προκλήσεις του πεδίου (αραιότητα δεδομένων (data sparsity), ψυχρή εκκίνηση, μεροληψία δημοτικότητας, ζητήματα ιδιωτικότητας και ανθεκτικότητας σε ανταγωνιστικές επιθέσεις) και παρουσιάζει συγκριτική αξιολόγηση των κυριότερων αρχιτεκτονικών βάσει αναφερόμενων αποτελεσμάτων της βιβλιογραφίας. Τα ευρήματα αναδεικνύουν σαφή τάση μετάβασης από τις κλασικές προς τις αρχιτεκτονικές βαθιάς μάθησης και γράφων, παράλληλα με αυξανόμενο ενδιαφέρον για ζητήματα δικαιοσύνης, ερμηνευσιμότητας και υπεύθυνης τεχνητής νοημοσύνης, θέτοντας τις βάσεις για μελλοντική έρευνα σε κατευθύνσεις όπως η ενσωμάτωση Μεγάλων Γλωσσικών Μοντέλων και οι αρχιτεκτονικές εξατομίκευσης on-device.	el
dc.format.extent	108	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	Ευφυή συστήματα συστάσεων : τεχνικές και υλοποίηση	el
dc.title.alternative	Intelligent recommendation systems : techniques and implementation	el
dc.type	Bachelor Dissertation	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	The rapid growth in the volume of available digital information has established Recommendation Systems as one of the most critical application domains of artificial intelligence, with use cases spanning e-commerce, streaming services, education, healthcare, and agriculture. This thesis conducts a systematic literature review of one hundred recent scientific publications, primarily from the 2020-2026 period, aiming to holistically map the evolution, architectures, and challenges of the field. The work begins with classical collaborative filtering and matrix factorization methods, progresses to deep learning architectures (such as autoencoders, Neural Collaborative Filtering, and Self-Attention mechanisms) and extensively examines Graph Neural Networks, which represent user-item interactions as a graph, enabling more expressive modeling of complex relationships. Particular emphasis is placed on specialized categories of recommender systems (context-aware, multi-behavior, explainable, fairness-aware), as well as on the main application domains, ranging from traditional e-commerce to emerging fields such as healthcare, agriculture, and cybersecurity. The thesis also critically analyzes the central challenges of the field (data sparsity, cold start, popularity bias, privacy concerns, and robustness against adversarial attacks) and presents a comparative evaluation of the main architectures based on results reported in the literature. The findings reveal a clear trend of transition from classical approaches toward deep learning and graph-based architectures, alongside growing interest in fairness, interpretability, and responsible artificial intelligence, laying the groundwork for future research directions such as the integration of Large Language Models and on-device personalization architectures.	el
dc.subject.keyword	Συστήματα συστάσεων	el
dc.subject.keyword	Συνεργατική διήθηση	el
dc.subject.keyword	Βαθιά μάθηση	el
dc.subject.keyword	Γραφικά νευρωνικά δίκτυα	el
dc.subject.keyword	Παραγοντοποίηση πίνακα	el
dc.subject.keyword	Μηχανισμοί Προσοχής	el
dc.subject.keyword	Δικαιοσύνη αλγορίθμων	el
dc.date.defense	2026-09-16

Files in this item

Name:
Size:: 2.670Mb
Format:: PDF
Description:: Πτυχιακή εργασία

View/Open

This item appears in the following Collection(s)

Τμήμα Πληροφορικής

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα