Συντάχθηκε 26-02-2024 13:24
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 27/02/2024 11:00
Λήξη: 27/02/2024 12:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ευαγγελίας Τζιμπιμπάκη
με θέμα
Αποφυγή «Φυσαλίδων» Περιεχομένου σε Φιλικούς ως προς το Δίκτυο Αλγόριθμους Συστάσεων
Avoiding Content Bubbles by Network-Friendly Recommendation Algorithms
Εξεταστική Επιτροπή
Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων)
Καθηγητής Αθανάσιος Λιάβας
Καθηγητής Γεώργιος Καρυστινός
Περίληψη
Σχεδόν όλες οι διαδικτυακές υπηρεσίες ενθαρρύνουν τους χρήστες να δημιουργήσουν ένα προφίλ, παρέχοντάς τους έτσι πρόσβαση σε εξατομικευμένο περιεχόμενο. Αντλώντας συνεχώς λεπτομερή δεδομένα από το χρήστη, οι πλατφόρμες εντοπίζουν τα ενδιαφέροντά του, και συστήνουν στο χρήστη όλο και πιο πετυχημένο περιεχόμενο - δηλαδή, σχετικό με τις προτιμήσεις του. Ωστόσο, υπάρχουν περιπτώσεις όπου οι συστάσεις γίνονται υπερβολικά προσωποποιημένες, ειδικά στα συστήματα γνωστά ως ``φιλικά προς το δίκτυο''. Τέτοιου είδους συστήματα προσπαθούν να συστήσουν πετυχημένο περιεχόμενο, αλλά παράλληλα ωθούν και τους χρήστες προς περιεχόμενα με χαμηλό κόστος πρόσβασης (πχ. που βρίσκονται στην cache). Αυτό μπορεί να οδηγήσει το χρήστη σε μία κατάσταση όπου του παρουσιάζονται μόνιμα συστάσεις ενός συγκεκριμένου χαρακτήρα, διατηρώντας ή όχι το ενδιαφέρον του μακροπρόθεσμα. Η παρούσα διπλωματική εργασία στοχεύει στη βελτίωση των συστημάτων συστάσεων, μέσω της αύξησης της ποικιλομορφίας του προτεινόμενου περιεχομένου, αποτρέποντας έτσι τη δημιουργία του φαινομένου γνωστού ως ``φυσαλίδες περιεχομένου''. Ξεκινάμε με την παρουσίαση των τυπικών συστημάτων συστάσεων, την εξέλιξή τους σε ``φιλικά προς το δίκτυο'' συστήματα συστάσεων, και την αναπαράσταση του φαινομένου των ``φυσαλιδών περιεχομένου'' στα δεύτερα. Εισάγουμε τα ``ποικίλα, φιλικά προς το δίκτυο συστήματα συστάσεων'', τα οποία στοχεύουν στην παράλληλη επίτευξη ικανοποιητικών συστάσεων, χαμηλού κόστους και υψηλής ποικιλομορφίας. Αφού διατυπώσουμε τη λειτουργία αυτών των συστημάτων ως πρόβλημα βελτιστοποίησης, αποδεικνύουμε ότι το πρόβλημα αυτό είναι κυρτό, και το γραμμικοποιούμε πριν το επιλύσουμε. Από όσο γνωρίζουμε, δεν υπάρχει αντίστοιχη υλοποίηση στη σχετική βιβλιογραφία η οποία να αντιμετωπίζει το ίδιο φαινόμενο επαρκώς, ενώ μάλιστα το σύστημα που δημιουργήσαμε αποδεδειγμένα επιφέρει πολύ καλή αντιστάθμιση κόστους-ποικιλομορφίας. Τέλος, το σύστημά μας επιτρέπει την ενσωμάτωση επιπλέον παραμέτρων (άλλων ερευνών), χωρίς να διακυβεύονται τα ευνοϊκά αποτελέσματα που επιτυγχάνει.
Abstract
Almost all online services encourage users to establish a profile, granting access to personalized content. Having more and more detailed data from the user, allows for the platforms to detect his interests and to create the content that has the greatest chance for success. However, there are instances when recommendations become excessively personalized, especially in (cache-friendly) systems also guiding suggestions towards content with low access cost. This can lead the user in a state where they are consistently presented with content of a singular nature, which may or may not sustain his interest in the long run. This thesis aims to improve recommendation systems, by increasing the diversity of recommended content, thus preventing the creation of content bubbles. First, an overview is provided, initiating with the exposition of Baseline Recommendation Systems (BS-RS), their evolution into Network-Friendly Recommendation Systems (NF-RS), and the representation of the content bubble phenomenon in NF-RS. The setup of BS-RS and NF-RS as optimization problems is detailed, and the introduced Diverse NF-RS is presented, addressing the content bubble phenomenon. The optimization problem for Diverse NF-RS is formulated, demonstrated to be convex, and linearized before being solved. No previously established implementation adequately addresses the diversity issue with comparable cost-diversity trade-offs. The proposed solution incorporates additional fairness metrics from other works, establishing that our proposed Recommendation System can accommodate them without compromising the favourable trade-offs achieved.
