{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1316462"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1316462","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Αυτόματη Κατηγοριοποίηση Χρηστών ως Μέθοδος Επίλυσης του Προβλήματος Ψυχρής Εκκίνησης","abstract":"Τα 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","abstract_html":"Τα 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","abstract_has_math":false,"creators":["Λίκα Μπλερίνα"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2013,"date_issued":"2013","date_published":"2013","updated_at":"2026-11-19T05:24:28Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1316462"],"render_values":[{"text":"uoadl:1316462","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1316462","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1316462","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1316462","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Λίκα Μπλερίνα"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2013"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1316462","https://pergamos.lib.uoa.gr/uoa/dl/object/1316462"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα 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","Recommender systems (RS) provide personalized recommendation for items that are of of interest to the web users. Most RSs adopt collaborative filtering (CF) techniques in order to predict items for a new user. These approaches are based on predictions for finding the user’s neighborhood and compare neighbors’ ratings for a set of items. However, in many cases, CF techniques suffer from a common problem called the cold-start problem. Therefore, they are not able to make accurate predictions. In this thesis, we propose a novel and effective approach that solves the discussed problem. This method is based on the idea that people with the same features will also share the same interests. More specifically, the proposed approach deals with the cold-start problem for new users by incorporating classification methods in a pure CF system. At first, we train a classifier to create a model based on demographic data. We use this model to classify new users in a specific category according to their profile type. In this way we find a neighborhood for an active user and make predictions according to neighbors’ ratings. We evaluate our algorithm and present experimental results that reveal the efficiency and the performance of our methodology. Finally, we make performance comparisons using different classifiers such as decision trees and naive bayes approaches."]},{"key":"dc:title","label":"Title","values":["Αυτόματη Κατηγοριοποίηση Χρηστών ως Μέθοδος Επίλυσης του Προβλήματος Ψυχρής Εκκίνησης"]}]}],"canonical_facts":{"dc:creator":["Λίκα Μπλερίνα"],"dc:date":["2013"],"dc:description":["Τα 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","Recommender systems (RS) provide personalized recommendation for items that are of of interest to the web users. Most RSs adopt collaborative filtering (CF) techniques in order to predict items for a new user. These approaches are based on predictions for finding the user’s neighborhood and compare neighbors’ ratings for a set of items. However, in many cases, CF techniques suffer from a common problem called the cold-start problem. Therefore, they are not able to make accurate predictions. In this thesis, we propose a novel and effective approach that solves the discussed problem. This method is based on the idea that people with the same features will also share the same interests. More specifically, the proposed approach deals with the cold-start problem for new users by incorporating classification methods in a pure CF system. At first, we train a classifier to create a model based on demographic data. We use this model to classify new users in a specific category according to their profile type. In this way we find a neighborhood for an active user and make predictions according to neighbors’ ratings. We evaluate our algorithm and present experimental results that reveal the efficiency and the performance of our methodology. Finally, we make performance comparisons using different classifiers such as decision trees and naive bayes approaches."],"dc:identifier":["uoadl:1316462","https://pergamos.lib.uoa.gr/uoa/dl/object/1316462"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Αυτόματη Κατηγοριοποίηση Χρηστών ως Μέθοδος Επίλυσης του Προβλήματος Ψυχρής Εκκίνησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:24:28Z"}