Γραφικά μοντέλα πολυπαραμετρικής απόσβεσης για παραγωγή Top-N συστάσεων
Τα Συστήματα Συστάσεων είναι ένα εργαλείο ανάλυσης δεδομένων με σκοπό την αντιστοίχιση αντικειμένων ταιριαστών σε χρήστες με συγκεκριμένες προτιμήσεις. Πρόκειται για έναν ταχέως εξελισσόμενο ερευνητικό κλάδο με αμέτρητες εμπορικές εφαρμογές. Αντικείμενο της παρούσας εργασίας είναι η μελέτη τεχνικών...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2018
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/11592 |
| id |
nemertes-10889-11592 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Κατάταξη κόμβων Διάχυση τάξης Τυχαίοι περίπατοι Μαρκοβιανές αλυσίδες Συστήματα συστάσεων Συνεργατική διήθηση Ανάλυση δεδομένων Ανάκτηση πληροφορίας Μηχανική μάθηση Node ranking Rank diffusion Random walks Markov chains Data science Collaborative filtering Recommender systems Cross validation Machine learning Information retrieval 005.56 |
| spellingShingle |
Κατάταξη κόμβων Διάχυση τάξης Τυχαίοι περίπατοι Μαρκοβιανές αλυσίδες Συστήματα συστάσεων Συνεργατική διήθηση Ανάλυση δεδομένων Ανάκτηση πληροφορίας Μηχανική μάθηση Node ranking Rank diffusion Random walks Markov chains Data science Collaborative filtering Recommender systems Cross validation Machine learning Information retrieval 005.56 Καλαντζής, Γεώργιος Γραφικά μοντέλα πολυπαραμετρικής απόσβεσης για παραγωγή Top-N συστάσεων |
| description |
Τα Συστήματα Συστάσεων είναι ένα εργαλείο ανάλυσης δεδομένων με σκοπό την αντιστοίχιση αντικειμένων ταιριαστών σε χρήστες με συγκεκριμένες προτιμήσεις. Πρόκειται για έναν ταχέως εξελισσόμενο ερευνητικό κλάδο με αμέτρητες εμπορικές εφαρμογές. Αντικείμενο της παρούσας εργασίας είναι η μελέτη τεχνικών κατάταξης κόμβων σε γραφήματα με στόχο τη κατασκευή του μαθηματικού πυρήνα ενός νέου αλγορίθμου παραγωγής συστάσεων.
Αρχικά μελετάμε τα χαρακτηριστικά και τις ιδιότητες γνωστών αλγορίθμων κατάταξης κόμβων που βασίζονται σε τυχαίους περιπάτους. Δίνουμε κάποιες εναλλακτικές μορφές αυτών και επικεντρωνόμαστε στο μοντέλο της Πολυπαραμετρικής Απόσβεσης. Έπειτα, γίνεται μια εισαγωγή στα Συστήματα Συστάσεων. Κάνουμε μια ανασκόπηση της βασικής θεωρίας και παρουσιάζουμε τους πιο γνωστούς γραφικούς αλγορίθμους παραγωγής συστάσεων.
Στη συνέχεια προχωράμε στο σημαντικότερο κομμάτι αυτής της εργασίας. Εισάγουμε τον MDREC, ένα νέο αλγόριθμο που, βασιζόμενος στην πολυπαραμετρική απόσβεση και σε φασματικές ιδιότητες του μητρώου πιθανοτήτων μετάβασης, παράγει εξατομικευμένες συστάσεις. Σχολιάζουμε εκτενώς τα χαρακτηριστικά του και τον τρόπο με τον οποίο επιλέγονται οι διάφορες παράμετροι. Δείχνουμε πώς με το μοντέλο αυτό μπορούμε να περιγράψουμε άλλους αλγορίθμους της ίδιας κλάσης και μάλιστα, να πετύχουμε καλύτερη απόδοση.
Ολοκληρώνουμε τη μελέτη μας με εκτενείς πειραματικές αξιολογήσεις. Χρησιμοποιούμε σύνολα δεδομένων που αποτελούν σημεία αναφοράς για αξιολόγηση στη Μηχανική Μάθηση ακολουθώντας μία νέα διαδικασία cross-validation, προσαρμοσμένη στις απαιτήσεις των Συστημάτων Συστάσεων. Συγκρίνουμε τον MDREC με επτά άλλες τεχνικές στο πρόβλημα της τυπικής top-N σύστασης, στην ανάδειξη σπάνιων αντικειμένων καθώς και σε σενάρια κρύας εκκίνησης. Με τα πειράματα αυτά επαληθεύουμε την ισχύ του προτεινόμενου αλγορίθμου καθώς και την ανωτερότητά του έναντι των ανταγωνιστικών μεθόδων σε κάθε
σενάριο. |
| author2 |
Γαροφαλάκης, Ιωάννης |
| author_facet |
Γαροφαλάκης, Ιωάννης Καλαντζής, Γεώργιος |
| format |
Thesis |
| author |
Καλαντζής, Γεώργιος |
| author_sort |
Καλαντζής, Γεώργιος |
| title |
Γραφικά μοντέλα πολυπαραμετρικής απόσβεσης για παραγωγή Top-N συστάσεων |
| title_short |
Γραφικά μοντέλα πολυπαραμετρικής απόσβεσης για παραγωγή Top-N συστάσεων |
| title_full |
Γραφικά μοντέλα πολυπαραμετρικής απόσβεσης για παραγωγή Top-N συστάσεων |
| title_fullStr |
Γραφικά μοντέλα πολυπαραμετρικής απόσβεσης για παραγωγή Top-N συστάσεων |
| title_full_unstemmed |
Γραφικά μοντέλα πολυπαραμετρικής απόσβεσης για παραγωγή Top-N συστάσεων |
| title_sort |
γραφικά μοντέλα πολυπαραμετρικής απόσβεσης για παραγωγή top-n συστάσεων |
| publishDate |
2018 |
| url |
http://hdl.handle.net/10889/11592 |
| work_keys_str_mv |
AT kalantzēsgeōrgios graphikamontelapolyparametrikēsaposbesēsgiaparagōgētopnsystaseōn AT kalantzēsgeōrgios generalizeddampingmodelsfortopnrecommendation |
| _version_ |
1771297294796193792 |
| spelling |
nemertes-10889-115922022-09-05T20:35:19Z Γραφικά μοντέλα πολυπαραμετρικής απόσβεσης για παραγωγή Top-N συστάσεων Generalized damping models for top-N recommendation Καλαντζής, Γεώργιος Γαροφαλάκης, Ιωάννης Γαροφαλάκης, Ιωάννης Γαλλόπουλος, Ευστράτιος Σπυράκης, Παύλος Kalantzis, Georgios Κατάταξη κόμβων Διάχυση τάξης Τυχαίοι περίπατοι Μαρκοβιανές αλυσίδες Συστήματα συστάσεων Συνεργατική διήθηση Ανάλυση δεδομένων Ανάκτηση πληροφορίας Μηχανική μάθηση Node ranking Rank diffusion Random walks Markov chains Data science Collaborative filtering Recommender systems Cross validation Machine learning Information retrieval 005.56 Τα Συστήματα Συστάσεων είναι ένα εργαλείο ανάλυσης δεδομένων με σκοπό την αντιστοίχιση αντικειμένων ταιριαστών σε χρήστες με συγκεκριμένες προτιμήσεις. Πρόκειται για έναν ταχέως εξελισσόμενο ερευνητικό κλάδο με αμέτρητες εμπορικές εφαρμογές. Αντικείμενο της παρούσας εργασίας είναι η μελέτη τεχνικών κατάταξης κόμβων σε γραφήματα με στόχο τη κατασκευή του μαθηματικού πυρήνα ενός νέου αλγορίθμου παραγωγής συστάσεων. Αρχικά μελετάμε τα χαρακτηριστικά και τις ιδιότητες γνωστών αλγορίθμων κατάταξης κόμβων που βασίζονται σε τυχαίους περιπάτους. Δίνουμε κάποιες εναλλακτικές μορφές αυτών και επικεντρωνόμαστε στο μοντέλο της Πολυπαραμετρικής Απόσβεσης. Έπειτα, γίνεται μια εισαγωγή στα Συστήματα Συστάσεων. Κάνουμε μια ανασκόπηση της βασικής θεωρίας και παρουσιάζουμε τους πιο γνωστούς γραφικούς αλγορίθμους παραγωγής συστάσεων. Στη συνέχεια προχωράμε στο σημαντικότερο κομμάτι αυτής της εργασίας. Εισάγουμε τον MDREC, ένα νέο αλγόριθμο που, βασιζόμενος στην πολυπαραμετρική απόσβεση και σε φασματικές ιδιότητες του μητρώου πιθανοτήτων μετάβασης, παράγει εξατομικευμένες συστάσεις. Σχολιάζουμε εκτενώς τα χαρακτηριστικά του και τον τρόπο με τον οποίο επιλέγονται οι διάφορες παράμετροι. Δείχνουμε πώς με το μοντέλο αυτό μπορούμε να περιγράψουμε άλλους αλγορίθμους της ίδιας κλάσης και μάλιστα, να πετύχουμε καλύτερη απόδοση. Ολοκληρώνουμε τη μελέτη μας με εκτενείς πειραματικές αξιολογήσεις. Χρησιμοποιούμε σύνολα δεδομένων που αποτελούν σημεία αναφοράς για αξιολόγηση στη Μηχανική Μάθηση ακολουθώντας μία νέα διαδικασία cross-validation, προσαρμοσμένη στις απαιτήσεις των Συστημάτων Συστάσεων. Συγκρίνουμε τον MDREC με επτά άλλες τεχνικές στο πρόβλημα της τυπικής top-N σύστασης, στην ανάδειξη σπάνιων αντικειμένων καθώς και σε σενάρια κρύας εκκίνησης. Με τα πειράματα αυτά επαληθεύουμε την ισχύ του προτεινόμενου αλγορίθμου καθώς και την ανωτερότητά του έναντι των ανταγωνιστικών μεθόδων σε κάθε σενάριο. Recommender Systems consist a tool for data analysis in order to match items with users and their specific needs. This merging scientific field, counting less than twenty years, is constantly growing with numerous new techniques and applications. The aim of this thesis is the study of Node Ranking techniques for the implementation of a novel graph-based algorithm for recommendations. Firstly, we examine some notable results from node ranking and random walks on graphs. Then we use the notion of functional rankings and we proceed with the Multi-Damping framework for ranking. The useful observations we make lead us to the field of Graph-Based Recommendation for which we mention the basic concepts and present the most recent methods. Furthermore, we propose MDREC, a new framework that takes in consideration a lot of aspects for a more complete manipulation of the data. Our approach is graph based. Rankings are produced by random walks with restarting, where the number of steps is determined by spectral properties of the transition probability matrix. In each step we focus on the closest neighbors and a re-ranking step takes place in the end which offers diversity. We examined our technique on datasets served as benchmarks in the field and made comparisons with the state-of-the-art algorithms. Our experiments suggest that the proposed method outperforms the competing approaches in three challenging scenarios. In particular, we test the accuracy of MDREC as well as seven other approaches in the standard top-N recommendation task, in the ability for recommending long-tailed items and in the special case of newly added users. 2018-09-18T09:16:48Z 2018-09-18T09:16:48Z 2018-06-06 Thesis http://hdl.handle.net/10889/11592 gr 0 application/pdf |
