Συντάχθηκε 03-10-2018 08:17
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΝΕΚΤΑΡΙΑ ΜΑΡΙΟΛΟΥ
με θέμα
Ένα Σύστημα Παροχής Συστάσεων για Εξατομικευμένες Κριτικές στο Apache Spark
A Recommendation System for Personalized Reviews in Apache Spark
Παρασκευή 5 Οκτωβρίου 2018, 10 π.μ.
Αίθουσα Softnet, Κτίριο Επιστημών, Πολυτεχνειούπολη
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής: Δεληγιαννάκης Αντώνιος (επιβλέπων)
Καθηγητής: Γαροφαλάκης Μίνως
Αναπληρωτής Καθηγητής: Λαγουδάκης Μιχαήλ
Περίληψη
Τα συστήματα παροχής εξατομικευμένων συστάσεων παίζουν ολοένα και αυξανόμενα καθοριστικό ρόλο στη διαδικασία λήψης αποφάσεων του πελάτη. Οι διάφορες ιστοσελίδες ηλεκρονικού εμπορίου διαφέρουν ως προς τους στόχους,τις λειτουργίες και τα χαρακτηριστικά τους αλλά ο πρωταρχικός στόχος τους είναι να εντοπίσουν αποτελεσματικά την απόφαση του χρήστη. Η πιο συχνή προσέγγιση είναι η επιλογή των κριτικών με το μεγαλύτερο ποσοστό χρησιμότητας που έχει προκύψει από τους ψήφους των χρηστών που τις έχουν ήδη διαβάσει. Έτσι, καταλήγουν με μια επιλογή η οποία πηγάζει από ένα περιορισμένο εύρος κριτιρίων. Σε αυτή την εργασία, επικεντρωνόμαστε στην ανάκτηση ενός υποσυνόλου κριτικών, χρησιμοποιώντας εξατομικευμένα κριτήρια. Προκειμένου να καθορίσουμε το ποιο σύνολο κριτικών μπορεί να αντιστοιχεί σε μεμονωμένους χρήστες, επικεντρωνόμαστε στη σημασία των πτυχών του κάθε προιόντος για τον κάθε χρήστη. Το σύστημα μας είναι χτισμένο στο Apache Spark, επιτρέποντας την επεξεργασία των κριτικών, το αξιολογούμε με δεδομένα από το Amazon και τα δεδομένα ευρετηριάζονται στην κατανεμημένη μηχανή αναζήτησης, Elasticsearch.
Abstract
Personalized recommendation systems play an increasingly growing role in customer's decision making process. The various e-commerce sites differ in their objectives, functions and characteristics but their common primary goal is to identify efficiently user decision. The most frequent approach is the selection of the reviews with the highest percentage of helpfulness' votes by users who have read the reviews. Thus, they end up with a selection derived from a limited scope of criteria. In this work, we focus on retrieving a subset of reviews, using personalized criteria. In order to determine which set of reviews may correspond to individual users' preferences, we focus on the importance of product aspects for each user. Our system is built on Apache Spark enabling the processing of reviews, we evaluate it with a dataset from Amazon and the results are indexed in the distributed search engine, Elasticsearch.
Τόπος: Λ - Κτίριο Επιστημών/ΗΜΜΥ, Αίθουσα Εργαστηρίου Softnet, Πολυτεχνειούπολη
Έναρξη: 05/10/2018 10:00
Λήξη: 05/10/2018 11:00
