Μελέτη και βελτιστοποίηση υβριδικού συστήματος συστάσεων για ψηφιακά παιχνίδια με χρήση μηχανικής μάθησης
Στην παρούσα διπλωματική εξετάζεται η εφαρμογή ενός υβριδικού συστήματος συστάσεων με βάρη και των αλγορίθμων που το αποτελούν σε ένα αρχείο δεδομένων που αφορά την διαδικτυακή πλατφόρμα διανομής ψηφιακών παιχνιδιών “Steam”. Αρχικά, γίνεται μια σύντομη εισαγωγή στα συστήματα συστάσεων, παρουσιάζοντα...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Μορφή: | Thesis |
Γλώσσα: | Greek |
Έκδοση: |
2020
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/13178 |
id |
nemertes-10889-13178 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-131782022-09-05T14:09:05Z Μελέτη και βελτιστοποίηση υβριδικού συστήματος συστάσεων για ψηφιακά παιχνίδια με χρήση μηχανικής μάθησης Study and optimization of hybrid recommender system for digital video games using machine learning Κωνστατάκης, Γεώργιος Καρακαπιλίδης, Νίκος Σγάρμπας, Κυριάκος Konstantakis, Georgios Συστήματα συστάσεων Μηχανική μάθηση Ψηφιακά παιχνίδια Recommender systems Machine learning Video games Στην παρούσα διπλωματική εξετάζεται η εφαρμογή ενός υβριδικού συστήματος συστάσεων με βάρη και των αλγορίθμων που το αποτελούν σε ένα αρχείο δεδομένων που αφορά την διαδικτυακή πλατφόρμα διανομής ψηφιακών παιχνιδιών “Steam”. Αρχικά, γίνεται μια σύντομη εισαγωγή στα συστήματα συστάσεων, παρουσιάζονται συνοπτικά οι αλγόριθμοι που χρησιμοποιούνται στην εργασία και ο λόγος που επιλέχθηκαν. Στη συνέχεια, γίνεται αναφορά στη βιομηχανία των ψηφιακών παιχνιδιών και παρουσιάζεται το αρχείο δεδομένων της εργασίας. Το αρχείο τροποποιείται και εξάγονται υπονοούμενες αξιολογήσεις από τα δεδομένα του. Έπειτα, αναλύονται οι αλγόριθμοι SVD, SVD++ και RBM και εφαρμόζονται στο αρχείο δεδομένων. Γίνεται σύγκρισή τους με έναν αλγόριθμο τυχαίων προβλέψεων και αναλύονται τα αποτελέσματα. Επιπροσθέτως, παρουσιάζεται ο αλγόριθμος βάση του οποίου αναπτύσσονται διάφορα υβριδικά συστήματα σε όλους τους δυνατούς συνδυασμούς των προαναφερθέντων αλγορίθμων, και τα οποία εφαρμόζονται στο αρχείο δεδομένων. Συγκρίνονται τα αποτελέσματα τόσο μεταξύ των υβριδικών συστημάτων όσο και μεταξύ αυτών και των αλγορίθμων που τα αποτελούν. Σε επόμενη φάση, εκτελείται βελτιστοποίηση των υπερπαραμέτρων των αλγορίθμων που χρησιμοποιήθηκαν με στόχο την καλύτερη ακρίβεια των παρεχόμενων συστάσεων και τα υβριδικά συστήματα εφαρμόζονται στο αρχείο δεδομένων με τις νέες βέλτιστες υπερπαραμέτρους των αλγορίθμων που τα αποτελούν. Γίνεται σύγκριση των υβριδικών συστημάτων προ και μετά βελτιστοποίησης υπερπαραμέτρων και αναλύονται τα αποτελέσματα. Παράλληλα, παρουσιάζονται οι 10 καλύτερες συστάσεις ψηφιακών παιχνιδιών για ένα χρήστη βάση των προβλεπόμενων τιμών αξιολόγησης, όπως αυτές υπολογίζονται από το κάθε υβριδικό σύστημα, πριν και μετά τη βελτιστοποίηση των υπερπαραμέτρων. Τέλος, εξάγονται συμπεράσματα και προτείνονται ιδέες για μελλοντική εργασία. This thesis examines the implementation of a weighted hybrid recommendation system and its algorithms in a data set of the Steam digital video game distribution platform. Initially, a brief introduction to the recommendation systems is made, summarizing the algorithms used in the work and the reason why they were selected. The digital game industry is then referred to and the data set of the thesis is presented. The file is modified and implicit ratings are extracted from its data. The SVD, SVD ++ and RBM algorithms are then analyzed and applied to the data set. They are compared with a random prediction algorithm and the results are analyzed. In addition, the algorithm, based on which various hybrid systems are developed in all possible combinations of the aforementioned algorithms, is presented, and these systems are applied to the data set. The results are compared both between the hybrid systems and between them and the algorithms that they consist of. Next, optimization of the algorithms' hyperparameters, used to improve the accuracy of the provided recommendations, is performed, and the hybrid systems are implemented in the data set with the new optimum hyperparameters of their algorithms. Comparison of hybrid systems before and after hyperparameter optimization is performed and the results are analyzed. At the same time, the top 10 digital games recommendations for a user are presented based on the predicted rating values, as calculated by each hybrid system, before and after optimization of the hyperparameters. Finally, conclusions are drawn and ideas for future work are proposed. 2020-02-06T22:22:28Z 2020-02-06T22:22:28Z 2020-01-31 Thesis http://hdl.handle.net/10889/13178 gr 0 application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Συστήματα συστάσεων Μηχανική μάθηση Ψηφιακά παιχνίδια Recommender systems Machine learning Video games |
spellingShingle |
Συστήματα συστάσεων Μηχανική μάθηση Ψηφιακά παιχνίδια Recommender systems Machine learning Video games Κωνστατάκης, Γεώργιος Μελέτη και βελτιστοποίηση υβριδικού συστήματος συστάσεων για ψηφιακά παιχνίδια με χρήση μηχανικής μάθησης |
description |
Στην παρούσα διπλωματική εξετάζεται η εφαρμογή ενός υβριδικού συστήματος συστάσεων με βάρη και των αλγορίθμων που το αποτελούν σε ένα αρχείο δεδομένων που αφορά την διαδικτυακή πλατφόρμα διανομής ψηφιακών παιχνιδιών “Steam”. Αρχικά, γίνεται μια σύντομη εισαγωγή στα συστήματα συστάσεων, παρουσιάζονται συνοπτικά οι αλγόριθμοι που χρησιμοποιούνται στην εργασία και ο λόγος που επιλέχθηκαν. Στη συνέχεια, γίνεται αναφορά στη βιομηχανία των ψηφιακών παιχνιδιών και παρουσιάζεται το αρχείο δεδομένων της εργασίας. Το αρχείο τροποποιείται και εξάγονται υπονοούμενες αξιολογήσεις από τα δεδομένα του. Έπειτα, αναλύονται οι αλγόριθμοι SVD, SVD++ και RBM και εφαρμόζονται στο αρχείο δεδομένων. Γίνεται σύγκρισή τους με έναν αλγόριθμο τυχαίων προβλέψεων και αναλύονται τα αποτελέσματα. Επιπροσθέτως, παρουσιάζεται ο αλγόριθμος βάση του οποίου αναπτύσσονται διάφορα υβριδικά συστήματα σε όλους τους δυνατούς συνδυασμούς των προαναφερθέντων αλγορίθμων, και τα οποία εφαρμόζονται στο αρχείο δεδομένων. Συγκρίνονται τα αποτελέσματα τόσο μεταξύ των υβριδικών συστημάτων όσο και μεταξύ αυτών και των αλγορίθμων που τα αποτελούν. Σε επόμενη φάση, εκτελείται βελτιστοποίηση των υπερπαραμέτρων των αλγορίθμων που χρησιμοποιήθηκαν με στόχο την καλύτερη ακρίβεια των παρεχόμενων συστάσεων και τα υβριδικά συστήματα εφαρμόζονται στο αρχείο δεδομένων με τις νέες βέλτιστες υπερπαραμέτρους των αλγορίθμων που τα αποτελούν. Γίνεται σύγκριση των υβριδικών συστημάτων προ και μετά βελτιστοποίησης υπερπαραμέτρων και αναλύονται τα αποτελέσματα. Παράλληλα, παρουσιάζονται οι 10 καλύτερες συστάσεις ψηφιακών παιχνιδιών για ένα χρήστη βάση των προβλεπόμενων τιμών αξιολόγησης, όπως αυτές υπολογίζονται από το κάθε υβριδικό σύστημα, πριν και μετά τη βελτιστοποίηση των υπερπαραμέτρων. Τέλος, εξάγονται συμπεράσματα και προτείνονται ιδέες για μελλοντική εργασία. |
author2 |
Καρακαπιλίδης, Νίκος |
author_facet |
Καρακαπιλίδης, Νίκος Κωνστατάκης, Γεώργιος |
format |
Thesis |
author |
Κωνστατάκης, Γεώργιος |
author_sort |
Κωνστατάκης, Γεώργιος |
title |
Μελέτη και βελτιστοποίηση υβριδικού συστήματος συστάσεων για ψηφιακά παιχνίδια με χρήση μηχανικής μάθησης |
title_short |
Μελέτη και βελτιστοποίηση υβριδικού συστήματος συστάσεων για ψηφιακά παιχνίδια με χρήση μηχανικής μάθησης |
title_full |
Μελέτη και βελτιστοποίηση υβριδικού συστήματος συστάσεων για ψηφιακά παιχνίδια με χρήση μηχανικής μάθησης |
title_fullStr |
Μελέτη και βελτιστοποίηση υβριδικού συστήματος συστάσεων για ψηφιακά παιχνίδια με χρήση μηχανικής μάθησης |
title_full_unstemmed |
Μελέτη και βελτιστοποίηση υβριδικού συστήματος συστάσεων για ψηφιακά παιχνίδια με χρήση μηχανικής μάθησης |
title_sort |
μελέτη και βελτιστοποίηση υβριδικού συστήματος συστάσεων για ψηφιακά παιχνίδια με χρήση μηχανικής μάθησης |
publishDate |
2020 |
url |
http://hdl.handle.net/10889/13178 |
work_keys_str_mv |
AT kōnstatakēsgeōrgios meletēkaibeltistopoiēsēybridikousystēmatossystaseōngiapsēphiakapaichnidiamechrēsēmēchanikēsmathēsēs AT kōnstatakēsgeōrgios studyandoptimizationofhybridrecommendersystemfordigitalvideogamesusingmachinelearning |
_version_ |
1771297246994759680 |