National and Kapodistrian University of Athens
Αυτόματη Κατηγοριοποίηση Χρηστών ως Μέθοδος Επίλυσης του Προβλήματος Ψυχρής Εκκίνησης
Abstract
dc:descriptionΤα συστήματα συστάσεων παρέχουν εξατομικευμένες συστάσεις που ενδέχεται να ενδιαφέρουν τους χρήστες του Διαδικτύου. Μία δημοφιλής τεχνική που εφαρμόζουν τα περισσότερα συστήματα συστάσεων είναι το συνεργατικό φιλτράρισμα (ΣΦ) που προβλέπει νέα αντικείμενα για τον ενεργό χρήστη με βάση τις προτιμήσεις άλλων χρηστών. Τα ΣΦ συστήματα πραγματοποιούν προβλέψεις καθορίζοντας μία γειτονιά όμοιων χρηστών και συγκρίνουν τις βαθμολογίες του ενεργού χρήστη με τους όμοιούς του για ένα σύνολο αντικειμένων. Ωστόσο, σε πολλές περιπτώσεις οι ΣΦ τεχνικές υποφέρουν από ένα κοινό πρόβλημα που ονομάζεται πρόβλημα ψυχρής εκκίνησης και για αυτό δεν είναι σε θέση να παράγουν ακριβείς προβλέψεις για χρήστες για τους οποίους δεν έχουν καταχωρημένα στοιχεία. Στη παρούσα διπλωματική εργασία, προτείνουμε μία αποτελεσματική τεχνική, η οποία ξεπερνά το μειονέκτημα αυτό. Η προτεινόμενη τεχνική επιλύει τη ψυχρή εκκίνηση για νέους χρήστες εφαρμόζοντας μεθόδους κατηγοριοποίησης σε ένα παραδοσιακό ΣΦ σύστημα. Για τη φάση της κατηγοριοποίησης εκπαιδεύουμε έναν κατηγοριοποιητή για να δημιουργήσουμε ένα μοντέλο βάσει δημογραφικών δεδομένων. Στη συνέχεια, χρησιμοποιούμε το μοντέλο για την εύρεση της γειτονιάς του ενεργού χρήστη και προβλέπουμε τη βαθμολογία για ένα αντικείμενο βάσει των αξιολογήσεων των γειτόνων. Με αυτό το τρόπο βρίσκουμε χρήστες στο σύστημα που πιθανόν οι προτιμήσεις τους να ταιριάζουν με εκείνες του νέου χρήστη. Η αξιολόγηση και τα αποτελέσματα των πειραμάτων αποδεικνύουν την αποτελεσματικότητα και την αποδοτικότητα της μεθοδολογίας μας. Τέλος, κατά την αποτίμηση της τεχνικής παρουσιάζουμε την απόδοση του συστήματος με τη χρήση διαφορετικών κατηγοριοποιητών όπως δέντρα απόφασης και naive bayes προσεγγίσεις
Author and committee
dc:creator, dc:contributor.*- Author dc:creator
-
- Λίκα Μπλερίνα
Rights
- Language dc:language
- Ελληνικά, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:1316462