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...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Παπαχρονόπουλος, Γεράσιμος
Άλλοι συγγραφείς: Papachronopoulos, Gerasimos
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