Συστήματα συστάσεων : σύγχρονες προσεγγίσεις και προτάσεις επέκτασής τους
Τα Συστήματα Συστάσεων αποσκοπούν στην πρόβλεψη των ενδιαφερόντων των χρηστών και στη δημιουργία προτάσεων που είναι πολύ πιθανόν να τους αρέσουν. Είναι από τα πιο ισχυρά συστήματα μηχανικής μάθησης που εφαρμόζονται ευρέως, με ενδεικτικό παράδειγμα τους διαδικτυακούς λιανοπωλητές με σκοπό να προω...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Μορφή: | Thesis |
Γλώσσα: | Greek |
Έκδοση: |
2020
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/13331 |
id |
nemertes-10889-13331 |
---|---|
record_format |
dspace |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Συστήματα συστάσεων Συνεργατικό Υβριδικό Recommendation systems Real life problems |
spellingShingle |
Συστήματα συστάσεων Συνεργατικό Υβριδικό Recommendation systems Real life problems Μιχελής, Μάριος Συστήματα συστάσεων : σύγχρονες προσεγγίσεις και προτάσεις επέκτασής τους |
description |
Τα Συστήματα Συστάσεων αποσκοπούν στην πρόβλεψη των ενδιαφερόντων των χρηστών
και στη δημιουργία προτάσεων που είναι πολύ πιθανόν να τους αρέσουν. Είναι από τα πιο ισχυρά
συστήματα μηχανικής μάθησης που εφαρμόζονται ευρέως, με ενδεικτικό παράδειγμα τους
διαδικτυακούς λιανοπωλητές με σκοπό να προωθήσουν τις πωλήσεις τους. Τα δεδομένα που
απαιτούνται για τα Συστήματα Συστάσεων πηγάζουν από ρητές αξιολογήσεις χρηστών, όπως μετά
από την παρακολούθηση μιας ταινίας ή την ακρόαση ενός τραγουδιού, έμμεσα από αναζητήσεις
στις μηχανές αναζήτησης καθώς και το ιστορικό των αγορών ή από άλλες πληροφορίες σχετικά
με τους ίδιους τους χρήστες και τα αντικείμενα που αυτοί επιλέγουν. Ιστότοποι όπως το Spotify,
το YouTube ή το Netflix χρησιμοποιούν αυτά τα δεδομένα για την δημιουργία συστάσεων,
ανάλογα με το αντικείμενο του εκάστοτε ιστοτόπου, οι οποίες δεν είναι κοινές σε όλους τους
χρήστες, αλλά βασίζονται στις προσωπικές προτιμήσεις του εκάστοτε χρήστη.
Οι εταιρείες που χρησιμοποιούν τα Συστήματα Συστάσεων στοχεύουν στην αύξηση των
πωλήσεων ως αποτέλεσμα των πολύ εξατομικευμένων προσφορών και της βελτιωμένης εμπειρίας
πελατών. Οι συστάσεις συνήθως επιταχύνουν τις αναζητήσεις από την μεριά του χρήστη και τους
διευκολύνουν να έχουν πρόσβαση στο περιεχόμενο που τους ενδιαφέρει ενώ παράλληλα τους
εκπλήσσουν με προσφορές που δεν θα είχαν αναζητήσει ποτέ. Επιπλέον, οι εταιρείες μπορούν να
κερδίσουν και να διατηρήσουν πελάτες αποστέλλοντας μηνύματα ηλεκτρονικού ταχυδρομείου με
συνδέσμους προς νέες προσφορές που ανταποκρίνονται στα συμφέροντα των παραληπτών, όπως
προτάσεις ταινιών και τηλεοπτικών εκπομπών που ταιριάζουν στα προφίλ τους. Γνωρίζοντας τι
θέλει ένας χρήστης, η εταιρεία κερδίζει ανταγωνιστικό πλεονέκτημα και μειώνεται η απειλή
απώλειας πελάτη από κάποιον ανταγωνιστή. Έτσι, συμπεριλαμβάνοντας συστάσεις σε συστήματα
και προϊόντα, παρέχεται στους χρήστες προστιθέμενη αξία, η οποία είναι ελκυστική. Επιπλέον,
6επιτρέπει στις εταιρείες να κερδίσουν προβάδισμα σε σχέση με τους ανταγωνιστές τους και τελικά
να αυξήσουν τα κέρδη τους.
Στο παραπάνω πλαίσιο, η παρούσα διπλωματική εργασία αρχικά παρουσιάζει θεωρητικά
τα Συστήματα Συστάσεων με λεπτομερή ανάλυση των προβλημάτων που αντιμετωπίζουν αλλά
και περιγράφοντας τις κυριότερες μεθόδους: του συνεργατικού φιλτραρίσματος, του
φιλτραρίσματος βάσει περιεχομένου και του υβριδικού μοντέλου. Στη συνέχεια, προτείνονται
λύσεις σε πραγματικά συστήματα (real life problems), όπου στο πλαίσιο αυτό χρησιμοποιήθηκαν
δύο μεγάλες διαδικτυακές εταιρείες και αφού αναλύθηκε ο τρόπος λειτουργίας τους, γίνονται
προτάσεις να ενταχθούν σε αυτή τα Συστήματα Συστάσεων, προτείνοντας στην ουσία λύσεις για
τη βελτίωσή τους, σε επίπεδο σχεδιασμού. |
author2 |
Καρακαπιλίδης, Νικόλαος |
author_facet |
Καρακαπιλίδης, Νικόλαος Μιχελής, Μάριος |
format |
Thesis |
author |
Μιχελής, Μάριος |
author_sort |
Μιχελής, Μάριος |
title |
Συστήματα συστάσεων : σύγχρονες προσεγγίσεις και προτάσεις επέκτασής τους |
title_short |
Συστήματα συστάσεων : σύγχρονες προσεγγίσεις και προτάσεις επέκτασής τους |
title_full |
Συστήματα συστάσεων : σύγχρονες προσεγγίσεις και προτάσεις επέκτασής τους |
title_fullStr |
Συστήματα συστάσεων : σύγχρονες προσεγγίσεις και προτάσεις επέκτασής τους |
title_full_unstemmed |
Συστήματα συστάσεων : σύγχρονες προσεγγίσεις και προτάσεις επέκτασής τους |
title_sort |
συστήματα συστάσεων : σύγχρονες προσεγγίσεις και προτάσεις επέκτασής τους |
publishDate |
2020 |
url |
http://hdl.handle.net/10889/13331 |
work_keys_str_mv |
AT michelēsmarios systēmatasystaseōnsynchronesprosengiseiskaiprotaseisepektasēstous |
_version_ |
1771297275975303168 |
spelling |
nemertes-10889-133312022-09-05T20:14:00Z Συστήματα συστάσεων : σύγχρονες προσεγγίσεις και προτάσεις επέκτασής τους Μιχελής, Μάριος Καρακαπιλίδης, Νικόλαος Μακρής, Χρήστος Μπούρας, Χρήστος Michelis, Marios Συστήματα συστάσεων Συνεργατικό Υβριδικό Recommendation systems Real life problems Τα Συστήματα Συστάσεων αποσκοπούν στην πρόβλεψη των ενδιαφερόντων των χρηστών και στη δημιουργία προτάσεων που είναι πολύ πιθανόν να τους αρέσουν. Είναι από τα πιο ισχυρά συστήματα μηχανικής μάθησης που εφαρμόζονται ευρέως, με ενδεικτικό παράδειγμα τους διαδικτυακούς λιανοπωλητές με σκοπό να προωθήσουν τις πωλήσεις τους. Τα δεδομένα που απαιτούνται για τα Συστήματα Συστάσεων πηγάζουν από ρητές αξιολογήσεις χρηστών, όπως μετά από την παρακολούθηση μιας ταινίας ή την ακρόαση ενός τραγουδιού, έμμεσα από αναζητήσεις στις μηχανές αναζήτησης καθώς και το ιστορικό των αγορών ή από άλλες πληροφορίες σχετικά με τους ίδιους τους χρήστες και τα αντικείμενα που αυτοί επιλέγουν. Ιστότοποι όπως το Spotify, το YouTube ή το Netflix χρησιμοποιούν αυτά τα δεδομένα για την δημιουργία συστάσεων, ανάλογα με το αντικείμενο του εκάστοτε ιστοτόπου, οι οποίες δεν είναι κοινές σε όλους τους χρήστες, αλλά βασίζονται στις προσωπικές προτιμήσεις του εκάστοτε χρήστη. Οι εταιρείες που χρησιμοποιούν τα Συστήματα Συστάσεων στοχεύουν στην αύξηση των πωλήσεων ως αποτέλεσμα των πολύ εξατομικευμένων προσφορών και της βελτιωμένης εμπειρίας πελατών. Οι συστάσεις συνήθως επιταχύνουν τις αναζητήσεις από την μεριά του χρήστη και τους διευκολύνουν να έχουν πρόσβαση στο περιεχόμενο που τους ενδιαφέρει ενώ παράλληλα τους εκπλήσσουν με προσφορές που δεν θα είχαν αναζητήσει ποτέ. Επιπλέον, οι εταιρείες μπορούν να κερδίσουν και να διατηρήσουν πελάτες αποστέλλοντας μηνύματα ηλεκτρονικού ταχυδρομείου με συνδέσμους προς νέες προσφορές που ανταποκρίνονται στα συμφέροντα των παραληπτών, όπως προτάσεις ταινιών και τηλεοπτικών εκπομπών που ταιριάζουν στα προφίλ τους. Γνωρίζοντας τι θέλει ένας χρήστης, η εταιρεία κερδίζει ανταγωνιστικό πλεονέκτημα και μειώνεται η απειλή απώλειας πελάτη από κάποιον ανταγωνιστή. Έτσι, συμπεριλαμβάνοντας συστάσεις σε συστήματα και προϊόντα, παρέχεται στους χρήστες προστιθέμενη αξία, η οποία είναι ελκυστική. Επιπλέον, 6επιτρέπει στις εταιρείες να κερδίσουν προβάδισμα σε σχέση με τους ανταγωνιστές τους και τελικά να αυξήσουν τα κέρδη τους. Στο παραπάνω πλαίσιο, η παρούσα διπλωματική εργασία αρχικά παρουσιάζει θεωρητικά τα Συστήματα Συστάσεων με λεπτομερή ανάλυση των προβλημάτων που αντιμετωπίζουν αλλά και περιγράφοντας τις κυριότερες μεθόδους: του συνεργατικού φιλτραρίσματος, του φιλτραρίσματος βάσει περιεχομένου και του υβριδικού μοντέλου. Στη συνέχεια, προτείνονται λύσεις σε πραγματικά συστήματα (real life problems), όπου στο πλαίσιο αυτό χρησιμοποιήθηκαν δύο μεγάλες διαδικτυακές εταιρείες και αφού αναλύθηκε ο τρόπος λειτουργίας τους, γίνονται προτάσεις να ενταχθούν σε αυτή τα Συστήματα Συστάσεων, προτείνοντας στην ουσία λύσεις για τη βελτίωσή τους, σε επίπεδο σχεδιασμού. Recommendation systems are designed to anticipate the interests of users and to suggest what they are likely to like. They are among the most powerful machine learning systems widely used, as for example the online retailers who aim to promote their sales. The data required for recommendation systems comes from explicit user ratings, such as after watching a movie or listening to a song, indirectly from search engine searches and market history or other information about the users themselves, and the objects they choose. Sites like Spotify, YouTube, or Netflix use this data to create recommendations, depending on the subject of each site, which are not common to all users but they are based on the individual preferences of the user. Companies using recommendation systems aim to increase sales as a result of highly personalized offers and improved customer experience. Recommendations usually speed up searches on the part of the user and make it easy for them to access the content they are interested in while they also surprise them with offers they would never have sought. In addition, companies can gain and retain customers by sending emails with links to new offers that meet the recipients' interests, such as movie and TV show suggestions that fit their profiles. Knowing what a user wants, the company gains a competitive edge and reduces the threat of losing a client from a competitor. Thus, incorporating recommendations into systems and products provides users with an added value, which is attractive. Furthermore, it allows companies to gain a lead over their competitors and ultimately increase their profits. In the above context, this thesis first presents theoretically Recommendation Systems with a detailed analysis of the problems they face but also describing the main methods: collaborative filtering, content filtering and hybrid modeling. Next, solutions to real life problems are proposed, where two large internet companies are used in this context, and after analyzing their operation, 8suggestions are made how to incorporate recommendation systems, essentially proposing solutions to improve their operation, at a design level. 2020-03-13T21:36:52Z 2020-03-13T21:36:52Z 2020-02-10 Thesis http://hdl.handle.net/10889/13331 gr 0 application/pdf |