Deep learning algorithms for recommendation systems
Information load is growing daily as a result of the Internet’s, mobile devices’, and e-phenomenal business’s expansion. This results in the creation of a system that can filter and rank the pertinent data for consumers. Recommendation systems have emerged as a solution to this problem, providing co...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Γλώσσα: | English |
Έκδοση: |
2023
|
Θέματα: | |
Διαθέσιμο Online: | https://hdl.handle.net/10889/25304 |
id |
nemertes-10889-25304 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-253042023-07-04T03:53:17Z Deep learning algorithms for recommendation systems Αλγόριθμοι βαθειάς μάθησης για εισηγητικά συστήματα συστάσεων Παπαχρονόπουλος, Γεράσιμος Papachronopoulos, Gerasimos Deep learning neural networks Recommendation systems Cross-domain recommendation systems Αλγόριθμοι βαθειάς μάθησης Εισηγητικά συστήματα συστάσεων Information load is growing daily as a result of the Internet’s, mobile devices’, and e-phenomenal business’s expansion. This results in the creation of a system that can filter and rank the pertinent data for consumers. Recommendation systems have emerged as a solution to this problem, providing consumers with access to individualized knowledge, goods, and services. While researchers have developed various filtering strategies to improve user and system experiences, there is a need to enhance the performance of cross-domain recommendation systems. In this work, we propose a method for multi-domain recommendation systems that leverages multiple datasets from various domains. By training our system on these diverse datasets, we enable it to learn user preferences and behaviors across different domains, resulting in more accurate recommendations. Our method incorporates cross-domain information, allowing the system to transcend traditional domain boundaries and make relevant recommendations. Furthermore, we consider contextual factors such as location, time, and device to further personalize the recommendations. By incorporating these contributions, our method enhances the overall recommendation experience, providing users with a more holistic view and increasing the relevance of recommendations. This advancement in cross-domain recommendation systems has the potential to improve user satisfaction and engagement in an information-rich environment. Η ποσότητα πληροφοριών αυξάνεται καθημερινά λόγω της επέκτασης του Διαδικτύου, των κινητών συσκευών και της επέκτασης των ηλεκτρονικών επιχειρήσεων. Αυτό οδηγεί στη δημιουργία ενός συστήματος που μπορεί να φιλτράρει και να κατατάξει τα σχετικά δεδομένα για τους καταναλωτές. Τα συστήματα συστάσεων αναδύθηκαν ως λύση σε αυτό το πρόβλημα, παρέχοντας στους καταναλωτές πρόσβαση σε ατομικές γνώσεις, αγαθά και υπηρεσίες. Ενώ οι ερευνητές έχουν αναπτύξει διάφορες στρατηγικές φιλτραρίσματος για τη βελτίωση της εμπειρίας των χρηστών και του συστήματος, υπάρχει ανάγκη να βελτιωθεί η απόδοση των συστημάτων συστάσεων μεταξύ πολλαπλών τομέων. Σε αυτήν την εργασία, προτείνουμε μια μέθοδο για τα συστήματα πολλαπλών τομέων που εκμεταλλεύεται πολλά σύνολα δεδομένων από διάφορους τομείς. Με την εκπαίδευση του συστήματός μας σε αυτά τα ποικίλα σύνολα δεδομένων, το επιτρέπουμε να μάθει τις προτιμήσεις και τη συμπεριφορά των χρηστών σε διάφορους τομείς, με αποτέλεσμα πιο ακριβείς συστάσεις. Η μέθοδός μας συμπεριλαμβάνει πληροφορίες από διάφορους τομείς, επιτρέποντας στο σύστημα να ξεπεράσει τα παραδοσιακά όρια των τομέων και να προτείνει σχετικές συστάσεις. Επιπλέον, λαμβάνουμε υπόψη περιβαλλοντικούς παράγοντες όπως η τοποθεσία, η ώρα και η συσκευή για περαιτέρω εξατομίκευση των συστάσεων. Μέσω αυτών των συνεισφορών, η μέθοδός μας βελτιώνει τη συνολική εμπειρία των συστάσεων, παρέχοντας στους χρήστες μια πιο ολοκληρωμένη εικόνα και αυξάνοντας τη σχετικότητα των συστάσεων. Αυτή η προώθηση στα συστήματα συστάσεων μεταξύ πολλαπλών τομέων έχει τη δυνατότητα να βελτιώσει την ικανοποίηση και τη συμμετοχή των χρηστών σε ένα περιβάλλον πλούσιο σε πληροφορίες. 2023-07-03T10:29:49Z 2023-07-03T10:29:49Z 2023-07-03 https://hdl.handle.net/10889/25304 en CC0 1.0 Universal http://creativecommons.org/publicdomain/zero/1.0/ application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
English |
topic |
Deep learning neural networks Recommendation systems Cross-domain recommendation systems Αλγόριθμοι βαθειάς μάθησης Εισηγητικά συστήματα συστάσεων |
spellingShingle |
Deep learning neural networks Recommendation systems Cross-domain recommendation systems Αλγόριθμοι βαθειάς μάθησης Εισηγητικά συστήματα συστάσεων Παπαχρονόπουλος, Γεράσιμος Deep learning algorithms for recommendation systems |
description |
Information load is growing daily as a result of the Internet’s, mobile devices’, and
e-phenomenal business’s expansion. This results in the creation of a system that
can filter and rank the pertinent data for consumers. Recommendation systems
have emerged as a solution to this problem, providing consumers with access to
individualized knowledge, goods, and services. While researchers have developed
various filtering strategies to improve user and system experiences, there is a need
to enhance the performance of cross-domain recommendation systems.
In this work, we propose a method for multi-domain recommendation systems
that leverages multiple datasets from various domains. By training our system on
these diverse datasets, we enable it to learn user preferences and behaviors across
different domains, resulting in more accurate recommendations. Our method incorporates cross-domain information, allowing the system to transcend traditional
domain boundaries and make relevant recommendations. Furthermore, we consider
contextual factors such as location, time, and device to further personalize the recommendations.
By incorporating these contributions, our method enhances the overall recommendation experience, providing users with a more holistic view and increasing the
relevance of recommendations. This advancement in cross-domain recommendation systems has the potential to improve user satisfaction and engagement in an
information-rich environment. |
author2 |
Papachronopoulos, Gerasimos |
author_facet |
Papachronopoulos, Gerasimos Παπαχρονόπουλος, Γεράσιμος |
author |
Παπαχρονόπουλος, Γεράσιμος |
author_sort |
Παπαχρονόπουλος, Γεράσιμος |
title |
Deep learning algorithms for recommendation systems |
title_short |
Deep learning algorithms for recommendation systems |
title_full |
Deep learning algorithms for recommendation systems |
title_fullStr |
Deep learning algorithms for recommendation systems |
title_full_unstemmed |
Deep learning algorithms for recommendation systems |
title_sort |
deep learning algorithms for recommendation systems |
publishDate |
2023 |
url |
https://hdl.handle.net/10889/25304 |
work_keys_str_mv |
AT papachronopoulosgerasimos deeplearningalgorithmsforrecommendationsystems AT papachronopoulosgerasimos algorithmoibatheiasmathēsēsgiaeisēgētikasystēmatasystaseōn |
_version_ |
1771297140186808320 |