{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1320500"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1320500","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Υβριδική προσαρμοστική μέθοδος πρόβλεψης μεταβαλλόμενων προτιμήσεων χρηστών","abstract":"Χρησιμοποιούμε το ιστορικό ενός χρήστη που περιέχει την αλληλεπίδραση του με το σύστημα μέσα στον χρόνο και μέσω αυτού προσπαθούμε να βγάλουμε συμπεράσματα για το ποιες είναι οι προτιμήσεις και τα ενδιαφέροντα του. Για να μπορέσουμε να προβλέψουμε με μεγαλύτερη επιτυχία τις προτιμήσεις των χρηστών εξάγουμε πληροφορία από το ιστορικό του κάθε χρήστη ξεχωριστά, το προφίλ όμοιων χρηστών, τα δημογραφικά τους χαρακτηριστικά άλλα και τα δομικά χαρακτηριστικά των αντικειμένων που υπάρχουν στο σύστημα. Η μέθοδος εκτιμά την προτίμηση του χρήστη για κάθε δομικό χαρακτηριστικό ενός αντικειμένου και μέσω αυτών για το ίδιο το αντικείμενο. Οι εκτιμήσεις για τις προτιμήσεις των χαρακτηριστικών γίνονται είτε βάσει των αντικειμένων που περιέχουν το χαρακτηριστικό και για τα οποία γνωρίζουμε την προτίμηση του χρήστη, είτε από την προτίμηση που έχουν εκφράσει όμοιοι χρήστες. Από το ιστορικό του χρήστη εντοπίζουμε τα χαρακτηριστικά που είναι πιο σημαντικά για κάθε πρόβλεψη καθώς και το πως αλλάζουν οι προτιμήσεις που έχουν δοθεί στο παρελθόν","abstract_html":"Χρησιμοποιούμε το ιστορικό ενός χρήστη που περιέχει την αλληλεπίδραση του με το σύστημα μέσα στον χρόνο και μέσω αυτού προσπαθούμε να βγάλουμε συμπεράσματα για το ποιες είναι οι προτιμήσεις και τα ενδιαφέροντα του. Για να μπορέσουμε να προβλέψουμε με μεγαλύτερη επιτυχία τις προτιμήσεις των χρηστών εξάγουμε πληροφορία από το ιστορικό του κάθε χρήστη ξεχωριστά, το προφίλ όμοιων χρηστών, τα δημογραφικά τους χαρακτηριστικά άλλα και τα δομικά χαρακτηριστικά των αντικειμένων που υπάρχουν στο σύστημα. Η μέθοδος εκτιμά την προτίμηση του χρήστη για κάθε δομικό χαρακτηριστικό ενός αντικειμένου και μέσω αυτών για το ίδιο το αντικείμενο. Οι εκτιμήσεις για τις προτιμήσεις των χαρακτηριστικών γίνονται είτε βάσει των αντικειμένων που περιέχουν το χαρακτηριστικό και για τα οποία γνωρίζουμε την προτίμηση του χρήστη, είτε από την προτίμηση που έχουν εκφράσει όμοιοι χρήστες. Από το ιστορικό του χρήστη εντοπίζουμε τα χαρακτηριστικά που είναι πιο σημαντικά για κάθε πρόβλεψη καθώς και το πως αλλάζουν οι προτιμήσεις που έχουν δοθεί στο παρελθόν","abstract_has_math":false,"creators":["Μουζανίδης Αλέξανδρος"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2014,"date_issued":"2014","date_published":"2014","updated_at":"2026-11-19T05:26:26Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320500"],"render_values":[{"text":"uoadl:1320500","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320500","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320500","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%3A1320500","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μουζανίδης Αλέξανδρος"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2014"]},{"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:1320500","https://pergamos.lib.uoa.gr/uoa/dl/object/1320500"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Χρησιμοποιούμε το ιστορικό ενός χρήστη που περιέχει την αλληλεπίδραση του με το σύστημα μέσα στον χρόνο και μέσω αυτού προσπαθούμε να βγάλουμε συμπεράσματα για το ποιες είναι οι προτιμήσεις και τα ενδιαφέροντα του. Για να μπορέσουμε να προβλέψουμε με μεγαλύτερη επιτυχία τις προτιμήσεις των χρηστών εξάγουμε πληροφορία από το ιστορικό του κάθε χρήστη ξεχωριστά, το προφίλ όμοιων χρηστών, τα δημογραφικά τους χαρακτηριστικά άλλα και τα δομικά χαρακτηριστικά των αντικειμένων που υπάρχουν στο σύστημα. Η μέθοδος εκτιμά την προτίμηση του χρήστη για κάθε δομικό χαρακτηριστικό ενός αντικειμένου και μέσω αυτών για το ίδιο το αντικείμενο. Οι εκτιμήσεις για τις προτιμήσεις των χαρακτηριστικών γίνονται είτε βάσει των αντικειμένων που περιέχουν το χαρακτηριστικό και για τα οποία γνωρίζουμε την προτίμηση του χρήστη, είτε από την προτίμηση που έχουν εκφράσει όμοιοι χρήστες. Από το ιστορικό του χρήστη εντοπίζουμε τα χαρακτηριστικά που είναι πιο σημαντικά για κάθε πρόβλεψη καθώς και το πως αλλάζουν οι προτιμήσεις που έχουν δοθεί στο παρελθόν","We use the logged interaction between users and the system over the time and we try to detect what users likes and what is interesting for them. We extract content based, collaborative based and demographic based user profiles and we combine these to make estimations about how interesting and significant are the features of the items to any user. The new algorithm uses the content-based, collaborative based and demographic based estimations about item features to predict “rates” for items that are not yet considered. From the log files we extract the statistical significance about item features and past user rates to adapt to the current rates that a user would give"]},{"key":"dc:title","label":"Title","values":["Υβριδική προσαρμοστική μέθοδος πρόβλεψης μεταβαλλόμενων προτιμήσεων χρηστών"]}]}],"canonical_facts":{"dc:creator":["Μουζανίδης Αλέξανδρος"],"dc:date":["2014"],"dc:description":["Χρησιμοποιούμε το ιστορικό ενός χρήστη που περιέχει την αλληλεπίδραση του με το σύστημα μέσα στον χρόνο και μέσω αυτού προσπαθούμε να βγάλουμε συμπεράσματα για το ποιες είναι οι προτιμήσεις και τα ενδιαφέροντα του. Για να μπορέσουμε να προβλέψουμε με μεγαλύτερη επιτυχία τις προτιμήσεις των χρηστών εξάγουμε πληροφορία από το ιστορικό του κάθε χρήστη ξεχωριστά, το προφίλ όμοιων χρηστών, τα δημογραφικά τους χαρακτηριστικά άλλα και τα δομικά χαρακτηριστικά των αντικειμένων που υπάρχουν στο σύστημα. Η μέθοδος εκτιμά την προτίμηση του χρήστη για κάθε δομικό χαρακτηριστικό ενός αντικειμένου και μέσω αυτών για το ίδιο το αντικείμενο. Οι εκτιμήσεις για τις προτιμήσεις των χαρακτηριστικών γίνονται είτε βάσει των αντικειμένων που περιέχουν το χαρακτηριστικό και για τα οποία γνωρίζουμε την προτίμηση του χρήστη, είτε από την προτίμηση που έχουν εκφράσει όμοιοι χρήστες. Από το ιστορικό του χρήστη εντοπίζουμε τα χαρακτηριστικά που είναι πιο σημαντικά για κάθε πρόβλεψη καθώς και το πως αλλάζουν οι προτιμήσεις που έχουν δοθεί στο παρελθόν","We use the logged interaction between users and the system over the time and we try to detect what users likes and what is interesting for them. We extract content based, collaborative based and demographic based user profiles and we combine these to make estimations about how interesting and significant are the features of the items to any user. The new algorithm uses the content-based, collaborative based and demographic based estimations about item features to predict “rates” for items that are not yet considered. From the log files we extract the statistical significance about item features and past user rates to adapt to the current rates that a user would give"],"dc:identifier":["uoadl:1320500","https://pergamos.lib.uoa.gr/uoa/dl/object/1320500"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Υβριδική προσαρμοστική μέθοδος πρόβλεψης μεταβαλλόμενων προτιμήσεων χρηστών"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:26Z"}