Teknik och data är nyckeln till att Bonnier Business Media (BBM) ska kunna nå sina mål och leverera ytterligare tillväxt. Därför vill man ligga i framkant när det gäller att undersöka nya tekniker som kan förbättra plattformarna och göra dem mer tidsenliga. BBM har bland annat velat ta fram ett rekommendationssystem som ska användas till att göra innehållet individanpassat på webbplatserna och på ett effektivt sätt presentera detta så att de olika målgrupperna får den information de förväntar sig. Till exempel ska besökaren kunna få förslag på artiklar och evenemang som kan vara av intresse. Målet med detta examensarbete har varit att ta fram en prototyp för ett rekommendationssy- stem med tillhörande algoritmer. Prototypen skulle kunna användas som ett “koncepttest” för att undersöka möjligheten att skapa personliga rekommendationer till läsare på Veckans Affärers webbplats, va.se. Implementationen av rekommendationssystem som togs fram till BBM bestod av en objektbaserad kollaborativ filtrerings algoritm som använde besökarnas beteende, publiceringsdatum och popularitet på artiklarna och evenemangen för att skapa individuella rekommendationer. Efter genomförda tester och analyser visar resultatet att det är fullt möjligt att skapa personliga rekommendationer som har en högre precision än vad ett grundläggande rekommendationssystem, till exempel en popularitetslista, kan erbjuda. / Technology is the key for Bonnier Business Media (BBM) to reach their goals and deliver future growth. Therefore they want to be in the very forefront when it comes to exploring new technologies that can improve their platforms and make them more up to date. BBM has among other things aimed to develop a recommendation system that is supposed to make the content of their web sites personalized and in an efficient way present this so that the different target groups will get the information that they expect. For example the visitor should be able to get suggestions on articles and events that might be of interest. The aim of this thesis has been to develop a prototype of a recommendation system with associated algorithms. The prototype could be used as to examine the possibility to create personalized recommendations for the readers on BBM:s website va.se (Veckans Affärer). The implementation of the recommendation system that was developed for BBM consisted of an object-based collaborative filtering algorithm using visitor behavior, publication date and popularity of articles and events to create personalized recommendations. After com- pleting tests and analyzes the results show that it is possible to create recommendations with a higher precision than a basic recommendation system, like a popularity list, can of- fer.

This master’s thesis concerns how to recommend multimedia content which a user might view – with some media player. It describes how a computer application (called a recommendation engine) can generate better recommendations for users based on using information available from social networks and the media selections made by others. This thesis gives an introduction to the area of “recommendations”, recommendation engines, and social networks. An overview of existing recommendation techniques suggests potential solutions to the problem of what recommendations to make to a given user. The thesis presents how social networks can be used to further enhance the users’ experience and describes the work that has been done to realize this recommendation system. An evaluation of the implemented solution is given. The thesis concludes with a summary of how recommendation engines and social network technologies can be used and suggests some future work. This thesis is of current interest since there is a tremendous quantity of content which is being offered in stores and via services on the web. A recommendation system makes it easier for users to find content which they find appropriate. Since social network communities are growing rapidly there has been an interest to use this information to get recommendations from friends. The results from the evaluation of the prototype recommendation system show how social networks which utilize trust systems might affect the recommendation which is given. / Det här examensarbetet behandlar hur man kan rekommendera multimedia som en användare kan tänkas titta på. Den beskriver hur en dataapplikation (kallad rekommendationsmotor) kan generera bättre rekommendationer åt en användare genom att använda information från sociala nätverk, och andra användares tidigare val av media. Examensarbetet ska ge en introduktion in om ämnet ”rekommendationer”, rekommendationsmotorer och sociala nätverk. En överblick av existerande rekommendationstekniker ger potentiella lösningar till problem för rekommendationer till en användare. Examensarbetet ska även presentera hur sociala nätverk vidare kan förbättra användarupplevelsen och beskriva arbeten som har gjorts för att realisera. En evaluering av det implementerade systemet kommer att ges. En slutsats om hur rekommendations motorer och sociala nätverk kan användas och hur man kan fortsätta på arbetet kommer avsluta rapporten. Examensarbetet är intressant eftersom det finns rikligt av tjänster och produkter på nätet som utnyttjar rekommendationsmotorer. Rekommendationssystem ser till att användare enklare kan hitta information som anses lämplig för användaren. Eftersom även sociala nätverk är en växande trend finns det intresse att använda den här informationen till att ge rekommendationer från vänner. Resultatet från evalueringen av det utvecklade systemet kommer att visa en intressant slutsats om hur sociala nätverk som utnyttjar ”trust” system kan påverka rekommendationen.

Recommendation systems become more and more necessary due to the growing supply chain. Therefore, scientists are developing models that can serve different recommendation needs faster than before, and it is getting more complicated to choose the model for a specific case. In this thesis, there are three neural collaborative filtering methods compared regarding dataset fit. This research shows that there is no one-fits-all method. There is much space for improvement in all the areas: dataset selection and aggregation, method development and operation, and selective approaches for the analysis of the results. In the thesis, three contrasting datasets are chosen (Chess, Library, and LastFM), and three novel approaches are tested: recently released Dynamic Graph Collaborative Filtering (DGCF) and Dynamic Embeddings for Interaction Prediction (DeePRed) are compared to the Joint Dynamic User- Item Embeddings (JODIE) as the baseline. Results show DeePRed being a state-of-the-art model that outperforms other methods. It runs an epoch for a small dataset in less than a minute, shows great prediction accuracy in an average of 98% for small datasets. However, DGCF does not show accuracy improvement over JODIE but is significantly faster for an extensive dataset. / Rekommendationssystem blir mer och mer nödvändiga på grund av den växande försörjningskedjan. Därför utvecklar forskare modeller som kan tjäna olika rekommendationsbehov snabbare än tidigare och det blir mer och mer komplicerat att välja modell för ett specifikt fall. I denna avhandling finns det tre neurologiska samarbetsfiltreringsmetoder som jämförs avseende deras gran för olika datamängder. Denna forskning visar att det inte finns någon metod som passar alla och det finns mycket utrymme för förbättring inom alla områden: datasatsval och aggregering, metodutveckling och drift och selektiva metoder för analys av resultaten. I avhandlingen väljs tre kontrasterande datamängder (Chess, Library och LastFM) och tre nya metoder testas: nyligen släppt Dynamic Graph Collaborativefiltering (DGCF) och Dynamic Embedding for Interaction Prediction (DeePRed) jämförs med Joint Dynamic User-Item. Inbäddning (JODIE) som baslinje. Resultaten visar att (DeePRed) är en avancerad modell som överträffar andra metoder som snabba genom att köra en epok för liten dataset på mindre än en minut, vilket visar stor förutsägelsesnoggrannhet i genomsnitt 98% för små datamängder. Men (DGCF) visar inte förbättring av noggrannhet jämfört med (JODIE), men är betydligt snabbare för en stor dataset.

The abundance of information available on the internet necessitates means of quickly finding what is relevant for the individual user. To this end, there has been much research concerning recommender systems and lately specifically methods using deep learning for such systems. This work proposes a Multi-Armed Bandit as a recommender for suggested sites on a browser start page. The system is compared to a pre-existing baseline and does not manage to outperform it in the setting used in controlled experiments. A Neural Collaborative Filtering system is then constructed using a stacked autoencoder and is used to produce user preference vectors that are inserted in the bandit in the hope of improving its performance. Analysis indicates that the bandit solution works better as the number of items grows. The user-informed initialisation used in this work shows a trend of improving over a randomly-initialised bandit, but results are inconclusive. This work also contributes an analysis of the problem domain including which factors impact the performance on the model training for preference vectors, and the performance of the bandit algorithms.

With the shift toward online shopping, it has become necessary to customize customers' needs and give them more choices. Before making a purchase, buyers research the products' features. The recommender systems facilitate the search task for customers by narrowing down the search space within specific products that align with the customer's needs. A recommender system uses clustering to filter information, calculating the similarity between members of a cluster to determine the factors that will lead to more accurate predictions. We propose a new method for predicting scores in machine learning recommender systems using the Gaussian mixture model clustering and the Pearson correlation coefficient. The proposed method is applied to MovieLens data. The results are then compared to three commonly used methods: Pearson correlation coefficients, K-means, and fuzzy C-means algorithms. As a result of increasing the number of neighbors, our method shows a lower error than others. Additionally, the results depict that accuracy will increase as the number of users increases. Our model, for instance, is 5% more accurate than existing methods when the neighbor size is 30. Gaussian mixture clustering chooses similar users and takes into account the scores distance when choosing nearby users that are similar to the active user.

Rekommendationssystem är idag väsentliga för att navigera den enorma mängd produkter tillgängliga via internet. Då social media i form av Twitter vid tidigare tillfällen använts för att generera filmrekommendationer har detta främst varit för att hantera cold-start, ett vanligt drabbande problem för collaborative-filtering. I detta arbete adresseras istället hur top-k rekommendationer påverkas vid integrering av social media data i rekommendationssystemet. För att svara på denna fråga har en prototyp av nytt slag utvecklats inom processmodellen för Design Science. Systemet rankar om top-k rekommendationer baserat på resultatet av social matchning där användares Tweets matchas med nyckelord för filmer genom latent semantic indexing (LSI) similarity. Prototypen evalueras genom experiment som adresserar funktionalitet, noggrannhet, konsekvens och prestanda. Resultatet visar att mätetalen NDCG och MAP för top-k rekommendationer förbättras med social matching jämfört med att enbart använda collaborative filtering. / Recommender systems are a crucial part of navigating the vast number of products on the internet. Social media, in the form of Twitter microblogs, has been previously used to produce movie recommendations, yet this has mainly been to solve cold-start, a common problem in collaborative filtering environments. This work addresses how top-k recommendations in a collaborative filtering environment are affected when augmented with social media data. To answer this question a novel prototype is developed following a design science process model. This system re-ranks top-k recommendations based on a social matching process where Tweets are matched with movie keywords through latent semantic indexing (LSI) similarity. The prototype is evaluated through experiments regarding functionality, accuracy, consistency, and performance. The results show that NDCG and MAP metrics of the top-k recommendations improve with social matching compared to only using the collaborative filtering algorithms.

Indiana University-Purdue University Indianapolis (IUPUI) / Recommender systems are widely used in many domains. In this work, the importance of a recommender system in an online learning platform is discussed. After explaining the concept of adding an intelligent agent to online education systems, some features of the Course Networking (CN) website are demonstrated. Finally, the relation between CN, the intelligent agent (Rumi), and the recommender system is presented. Along with the argument of three different approaches for building a community recommendation system. The result shows that the Neighboring Collaborative Filtering (NCF) outperforms both the transfer learning method and the Continuous bag-of-words approach. The NCF algorithm has a general format with two various implementations that can be used for other recommendations, such as course, skill, major, and book recommendations.

No description available.

Recommender systems have become an integral part of the user interface of many web applications. Recommending items to buy, media to view or similar “next choice”-recommendations has proven to be a powerful tool to improve costumer experience and engagement. One common technique to produce recommendations called Collaborative Filtering makes use of the unsupervised Nearest Neighbor-algorithm, where a costumers historic use of a service is encoded as a vector and recommendations are made such that if followed the resulting behaviour-vector would lie closer to the nearest neighboring vectors encoding other costumers. This thesis describes the adaptation of a Collaborative Filtering recommender system to a cyber security vulnerability report setting with the goal of producing recommendations regarding which of a set of found vulnerabilities to prioritize for mitigation. Such an error report scenario presents idiosyncrasies that do not allow a direct application of common recommender system algorithms. This work was carried out in collaboration with the company Detectify, whose product allows users to check for vulnerabilities in their internet facing software, typically web pages and apps. The finding mitigation priorities of historic customers have to be inferred from differences in their consecutive reports, i.e. from noisy vector valued signals. Further, as opposed to the typical e-commerce or media streaming scenario, as a user can not freely choose which item to increase their consumption of, instead, a user can only attempt to decrease their inventory of a limited subset (the vulnerabilities in their report) of all items (all possible vulnerabilities). This thesis presents an adapted Collaborative Filtering algorithm applicable to this scenario. The chosen approach to the algorithm is motivated by an extensive literature review of the current state of the art of recommender systems. To measure the performance of the algorithm, test data is produced which allows for comparison between recommendations based on noisy data and the actual change in a noiseless version. The results that are showcased give reference values as to under what levels of noise and data sparsity the developed algorithm can be expected to produce recommendations that align well with historic behavioural patterns of other customers. This thesis thus provides a novel variation of the Collaborative Filtering algorithm that extends its usability to a scenario that has not been previously addressed in the reviewed literature. / Rekommendationssystem är idag en självklar del av manga användargränssnitt. Exempel på dessa som många av oss interagerar med dagligen är system som föreslår nästa ord när vi skriver, nästa produkt när vi handlar online eller nästa media när vi använder streaming-tjänster. En vanlig teknik för att producera rekommendationer är Collaborativer Filtering, vilken använder Nearest Neighbor-algoritmer för att rekommendera så att en användares historik (beskriven som en vektor) förflyttas närmre de närmaste grannarna om rekommendationen följs. I denna uppsats redovisas en anpassning av ett Collaborative Filtering-rekommendationssystem för användning i samband med skanning efter it-säkerhetsrisker, med målet att producera rekommendationer rörande vilken säkerhetsrisk som bör prioriteras för åtgärd. Ett sådant error report scenario (riskrapport-scenario) för med sig vissa skillnader jämfört med ett e-handel/streaming-scenario som gör det nödvändigt att anpassa de typiska Collaboritve Filtering-systemet innan det är applicerbart. Det här arbetet utförs i samarbete med företaget Detectify, som tillhandahåller en produkt med vilken användare kan upptäcka säkerhetsrisker i deras internet-kopplade mjukvara (exempelvis hemsidor och web-applikationer). Historiska prioriteringar rörande åtgärdande av säkerhetsrisker måste beräknas ut tidigare användares rapporter om hunna risker, alltså från brusiga vektor-värda signaler. En användare kan inte heller fritt välja att öka sin konsumption av någon produkt i ett sortiment, utan istället måste en rekommendation röra vilket objekt i en användares befintliga innehav (de funna riskerna i deras senaste rapport) som användaren bör försöka minska antalet av. I den här uppsatsen presenteras ett Collaborative Filtering-rekommendationssystem anpassat till detta scenario. Algoritmen motiveras med en extensiv litteraturstudie av relevant litteratur och utvärderas med syntetisk data vilket möjliggör undersökning av hur olika nivåer av brus och gleshet (sparsity) inverkar på rekommendationerna. Resultaten som presenteras tillhandahåller referensnivåer för under vilken grad av brus och gleshet algoritmen kan förväntas prestera väl. Sammanfattningsvis utvecklas, utvärderas och presenteras en modifikation av Cillaborative Filtering-rekommendationssystem som möjliggör dessa användade i ett scenario som ej beskrivs i den genomgångna litteraturen.

No description available.