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.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-309220 |
Date | January 2021 |
Creators | Tauroseviciute, Indre |
Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-EECS-EX ; 2021:885 |
Page generated in 0.0028 seconds