Συντάχθηκε 10-07-2017 08:31
από Vasiliki Grigoraki
Email συντάκτη: vgrigoraki<στο>tuc.gr
Ενημερώθηκε:
-
Κύρια: υπάλληλος ΗΜΜΥ.
Άλλες ιδιότητες: Unknown -#-@ΗΜΜΥ
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Μιχαήλ - Άγγελος Παπίλαρης
με θέμα
Ανάπτυξη ενός αποτελεσματικού συστήματος εξατομικευμένων συστάσεων με χρήση Markov Chain Monte Carlo.
Markov Chain Monte Carlo for Effective Personalized Recommendations
Εξεταστική Επιτροπή
Aναπληρωτής Kαθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Aναπληρωτής Kαθηγητής Μιχαήλ Λαγουδάκης
Aναπληρωτής Kαθηγητής Αντώνιος Δεληγιαννάκης
Περίληψη
Τα εξατομικευμένα συστήματα προτάσεων, αποσκοπούν να βοηθήσουν τους χρήστες να ανακτήσουν πληροφορίες από μεγάλες συλλογές, εντοπίζοντας και προτείνοντας προϊόντα ή υπηρεσίες δυνητικού ενδιαφέροντος. Συχνά η διαδικασία εξαγωγής προτιμήσεων των χρηστών είναι περίπλοκη και βασίζεται σε στοιχεία για την συμπεριφορά άλλων χρηστών. Για να ξεπεραστούν αυτοί οι περιορισμοί, προτείνουμε μια Μπαεσιανή προσέγγιση για την εξαγωγή εξατομικευμένων προτάσεων, καταγράφοντας παθητικά τις προτιμήσεις των χρηστών, χρησιμοποιώντας μια συνάρτηση χρησιμότητας (utility function) την οποία το σύστημα μαθαίνει. Πιο συγκεκριμένα, αντί να ζητάμε από το χρήστη να καθορίσει την συνάρτηση χρησιμότητας, το οποίο είναι μη ρεαλιστικό, μαθαίνουμε τη συνάρτηση χρησιμότητας παρατηρώντας έμμεσα τον χρήστη και τις επιλογές του (clicks), και συντηρώντας σχετικές (πιθανοτικές) πεποιθήσεις Η συνάρτηση χρησιμότητας αποτελείται από έναν γραμμικό συνδυασμό (σταθμισμένων) χαρακτηριστικών, και οι πεποιθήσεις ενημερώνονται χρησιμοποιώντας έναν αλγόριθμο Markov Chain Monte Carlo. Επιπρόσθετα, σε καταστάσεις όπου δεν έχουμε συλλέξει αρκετά δεδομένα σχετικά με τον χρήστη, σχηματίσαμε ομάδες (clusters) που δημιουργήσαμε από τα δεδομένα που έχουμε συλλέξει από άλλους χρήστες. Τέλος, προκειμένου να αξιολογήσουμε την απόδοση του συστήματός μας, το εφαρμόσαμε στον τομέα των συστάσεων για ηλεκτρονικές κρατήσεις ξενοδοχείων χρησιμοποιώντας πραγματικά σχετικά σύνολα δεδομένων (datasets).
Abstract
Personalized recommender systems aim to help users access and retrieve relevant information or items from large collections, by automatically finding and suggesting products or services of potential interest. User preferences are difficult to infer, and doing so often requires a tedious elicitation process relying on evidence of others’ behavior. To overcome such limitations, we propose a Bayesian approach for finding personalized top recommendations, by capturing user preferences using a utility function which the system learns via a passive preference elicitation sampling-based framework. In brief, instead of asking the user to specify this function explicitly, which is unrealistic, we explicitly model the uncertainty over the utility function and learn it through feedback, in the form of clicks, provided by the user. The utility function is a linear combination of (weighted) features, and beliefs are maintained using a Markov Chain Monte Carlo algorithm. Additionally, we handle situations where not enough data about the user is available, by exploiting the information from clusters of (feature) weight vectors created by observing other users’ behavior. Finally, in order to evaluate our system’s performance, we applied it in the online hotel booking recommendations domain using a real-world dataset.
Τόπος: Λ - Κτίριο Επιστημών/ΗΜΜΥ, Αίθουσα Εργαστηρίου Intelligence (Πτέρυγα Α, 1ος όροφος Κτιρίου Επιστημών)
Έναρξη: 11/07/2017 11:00
Λήξη: 11/07/2017 12:00
