Συντάχθηκε 28-11-2022 14:21
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 30/11/2022 12:30
Λήξη: 30/11/2022 13:30
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Μεταπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
ΕΡΡΙΚΟΥ ΣΤΡΕΒΙΝΙΩΤΗ
με θέμα
Μηχανική Μάθηση και Θεωρία Κοινωνικής Επιλογής για Προσωποποιημένες Συστάσεις και Συστάσεις σε Ομάδες
Machine Learning and Social Choice Theory for Personalized and Group Recommendations
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς
Περίληψη
Τα συστήματα συστάσεων είναι εργαλεία λογισμικού τα οποία παρέχουν βοήθεια σε χρήστες οι οποίοι έχουν έλλειψη εμπειρίας ή γνώσης προκειμένου να ξεπεράσουν το πρόβλημα της πλεονάζουσας πληροφορίας. Σε αυτή την εργασία, παρουσιάζουμε δυο συστήματα συστάσεων τα οποία χρησιμοποιούν αντίστοιχα Μπαϋεσιανή μάθηση και τον αλγόριθμο του φίλτρου Κάλμαν, σε συνδυασμό με μηχανισμούς που προέρχονται από τη θεωρία κοινωνικής επιλογής προκειμένου να μάθουν τις προτιμήσεις των χρηστών ώστε να παρέχουν προσωποποιημένες συστάσεις και συστάσεις σε ομάδες χρηστών.
Η μάθηση των προτιμήσεων χρησιμοποιεί μια καινοτόμα και όχι απαιτητική προς τον χρήστη διαδικασία εκμαίευσης προτιμήσεων, κατά την οποία ο χρήστης παρέχει μια βαθμολογία για μερικές γενικές εικόνες, οι οποίες σχετίζονται με τα αντικείμενα τα οποία μπορούν να προταθούν, που του/της παρουσιάζουμε. Στη συνέχεια αξιοποιούμε αυτές τις βαθμολογίες ώστε οι προσεγγίσεις μας να παράγουν κάποιες πεποιθήσεις σχετικά με τις προτιμήσεις του χρήστη. Προκειμένου να μοντελοποιήσουμε την υψηλή αβεβαιότητα η οποία εμπεριέχεται σε τέτοια περιβάλλοντα, αναπαριστούμε τόσο τους χρήστες όσο και τα προς σύσταση αντικείμενα ως κανονικές κατανομές πολλών μεταβλητών.
Επιπρόσθετα, εφαρμόζουμε διάφορους κανόνες ψηφοφοριών πολλών νικητών από τη θεωρία κοινωνικής επιλογής στο πρόβλημα των προσωποποιημένων συστάσεων. Συγκεκριμένα, εξοπλίζοντας το σύστημά μας με τέτοιους μηχανισμούς μπορούμε να παράγουμε αποτελεσματικές προσωποποιημένες συστάσεις ενώ παράλληλα προάγουμε ποικίλες συστάσεις σε σχέση με διάφορα χαρακτηριστικά. Στη συνέχεια εστιάζουμε στο πρόβλημα των συστάσεων σε ομάδες επεκτείνοντας τις προσεγγίσεις μας και εφαρμόζοντας διάφορες στρατηγικές συνάθροισης μαζί με ένα κανόνα ψηφοφοριών πολλών νικητών, ο οποίος ονομάζεται Reweighted Approval voting (RAV). Εξ όσων γνωρίζουμε, η χρήση κανόνων ψηφοφοριών πολλών νικητών για τα παραπάνω προβλήματα έγινε για πρώτη φορά στην βιβλιογραφία.
Συνοψίζοντας, η μεταπτυχιακή μας εργασία εστιάζει στα προβλήματα των προσωποποιημένων συστάσεων και συστάσεων σε ομάδες. Έχει δε ως πεδίο εφαρμογής τον τομέα του τουρισμού. Διεξάγαμε μια συστηματική πειραματική αξιολόγηση των προσεγγίσεών μας τις οποίες εφαρμόσαμε σε πραγματικά δεδομένα από σημεία τουριστικού ενδιαφέροντος της πόλης του Αγίου Νικολάου Κρήτης, σημαντικού τουριστικού προορισμού. Επισημαίνουμε ότι μελετήσαμε την αποτελεσματικότητα των προσεγγίσεων μας όταν τις εξοπλίζουμε με πρότερη γνώση σχετικά με τις γενικές προτιμήσεις συγκεκριμένων κατηγοριών χρηστών (χρηστών οι οποίοι ανήκουν στην ίδια ηλικιακή ομάδα), με βάση δεδομένα τα οποία συλλέχθηκαν από ερωτηματολόγια πραγματικών τουριστών στην πόλη του Αγίου Νικολάου.
Στα πλαίσια της εργασίας μας διεξάγαμε μια συστηματική πειραματική αξιολόγηση των προσεγγίσεών μας τις οποίες εφαρμόσαμε σε πραγματικά δεδομένα της πόλης του Αγίου Νικολάου στη Κρήτη. Τα πειραματικά μας αποτελέσματα (i) δείχνουν την ικανότητα των προσεγγίσεών μας να παράγουν αποτελεσματικά προσωποποιημένες συστάσεις οι οποίες ταιριάζουν με τα ενδιαφέροντα ενός συγκεκριμένου χρήστη, (ii) επιβεβαιώνουν ότι η αξιοποίηση πρότερης γνώσης σχετικά με τις προτιμήσεις των τουριστών, με βάση τα δημογραφικά του χαρακτηριστικά, βοηθούν τα συστήματα συστάσεων μας να αποφύγουν το cold-start πρόβλημα, (iii) δεικνύουν ότι η χρήση κανόνων ψηφοφοριών πολλών νικητών επιτρέπει ποικιλόμορφες συστάσεις σε σχέση με διάφορα χαρακτηριστικά τα οποία σχετίζονται με το τουρισμό, ενώ αυξάνουν την απόδοση του συστήματός μας στη περίπτωση που η αλληλεπίδραση ενός χρήστη με το σύστημα είναι περιορισμένη, και (iv) επιδεικνύουν ότι η χρήση κανόνων ψηφοφοριών πολλών νικητών επιτρέπει δίκαιες συστάσεις σε ομάδες χρηστών σε σχέση με τις ευρέως γνωστές μετρικές m-PROPORTIONALITY και m-ENVY-FREENESS. Τέλος, ο Μπαϋεσιανός αλγόριθμος προσωποποιήμενων συστάσεων που αναπτύξαμε έχει ενσωματωθεί σε μια πραγματική εφαρμογή κινητών για τον προγραμματισμό τουριστικών περιηγήσεων στην πόλη του Αγίου Νικολάου Κρήτης.
Abstract
Recommender systems are software tools that provide assistance to individuals who lack experience or knowledge in order to overcome the information overflow problem. In this work, we introduce two recommender systems that employ Bayesian learning and the Kalman Filter algorithm respectively, along with mechanisms derived from Social Choice Theory, in order to learn users preferences and provide efficient personalized recommendations and group recommendations.
To facilitate user preference learning, we propose a novel, lightweight preference elicitation process, during which the user is presented with and asked to rate a small number of generic images that are related with the items under recommendation. We then exploit these ratings to guide our approaches to generate beliefs regarding the user's preferences. In order to model the high uncertainty that exists in such settings, our system represents both users and items as multivariate normal distributions.
On top of these, we employ several multiwinner voting rules from the social choice literature to the personalized recommendations problem. Specifically, we equip with such mechanisms our recommenders, allowing for effective personalized recommendations while promoting diverse results with respect to several features. We then focus on the group recommendation problem, by extending our approach and employing various preference aggregation mechanisms alongside with a multiwinner voting rule, namely the Reweighted Approval Voting (RAV). The application of multiwinner voting rules for these problems is, to the best of our knowledge, done for the first time in the literature.
Thus, in this thesis we tackle both the personalized and group recommendations problems; and we do so focusing on the tourism domain. We conduct a systematic experimental evaluation of our approaches by applying them on a real-world dataset of Points of Interest (POIs) in the popular touristic destination of Agios Nikolaos, Crete, Greece. Interestingly, we study the effectiveness of our approaches when we equip our system with prior knowledge regarding the (average) preferences of specific user types (i.e., tourists belonging in specific age groups), given data we collected via questionnaires from actual tourists visiting the city of Agios Nikolaos.
Our experimental results (i) highlight the ability of our systems to successfully produce personalized recommendations that match the specific interests of a single user; (ii) confirm that the employment of prior knowledge regarding the preferences of tourists, based on their demographics, guides our recommender to avoid the cold-start problem; (iii) demonstrate that the use of multiwinner mechanisms allows for diverse recommendations with respect to travel-related features, and increased system performance in the case of limited user-system interactions; and (iv) show that the use of multiwinner mechanisms allows for fair group recommendations with respect to the well-known m-PROPORTIONALITY and m-ENVY-FREENESS metrics. Last but not least, our personalized Bayesian recommendation algorithm is incorporated in a real-world mobile tour-planning application for Agios Nikolaos, Crete.
Meeting ID: 975 5697 1584
Password: 654352
