{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1325163"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1325163","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Δημιουργία Συστήματος Συστάσεων Βασισμένο σε Χωροχρονικές Πληροφορίες","abstract":"Ο ρόλος ενός συστήματος συστάσεων είναι η παροχή στους χρήστες εξατομικευμένων προτάσεων. Σκοπός της παρούσας εργασίας είναι η δημιουργία ενός συστήματος το οποίο θα παράγει ως έξοδο συστάσεις, με τη βοήθεια χρονικής πληροφορίας (διαφορά της χρονικής στιγμής βαθμολόγησης από αυτή της σύστασης) και της γεωγραφικής θέσης του χρήστη. Αρχικά το σύστημα κατηγοριοποιεί το χρήστη, σε ένα πεπερασμένο αριθμό κλάσεων, με βάση δημογραφικά δεδομένα. Στη συνέχεια, υπολογίζει ένα βάρος για κάθε βαθμολογία που έχουν πραγματοποιήσει οι χρήστες οι οποίοι ανήκουν στην ίδια κατηγορία με τον πελάτη που θα δεχτεί τις συστάσεις. Στο επόμενο βήμα (συσταδοποίηση), δημιουργεί μία συστάδα με προϊόντα τα οποία πιθανόν θα ενδιέφεραν το χρήστη και μία δεύτερη με προϊόντα που ενδεχομένως θα του ήταν αδιάφορα. Χρησιμοποιώντας την πρώτη συστάδα, δημιουργεί κάποιες προβλέψεις βαθμολογίας, βάσει των οποίων εξάγονται οι τελικές συστάσεις προς το χρήστη, ενώ δε λαμβάνει υπόψη του τη δεύτερη. Για την υλοποίηση του συστήματος χρησιμοποιήθηκε το εργαλείο εξόρυξης δεδομένων WEKA, και πιο συγκεκριμένα οι αλγόριθμοι κατηγοριοποίησης Naïve Bayes, C4.5 και ο αλγόριθμος συσταδοποίησης Expectation Μaximization. Η αξιολόγηση και τα αποτελέσματα των πειραμάτων αποδεικνύουν την ορθότητα της μεθοδολογίας καθώς και την αποδοτικότητα του προτεινόμενου συστήματος. Τέλος, γίνεται αποτίμηση του αλγορίθμου με βάση διαφορετικά σενάρια υπολογισμού των βαρών και παράθεση μετρικών σφάλματος για κάθε σενάριο ξεχωριστά.","abstract_html":"Ο ρόλος ενός συστήματος συστάσεων είναι η παροχή στους χρήστες εξατομικευμένων προτάσεων. Σκοπός της παρούσας εργασίας είναι η δημιουργία ενός συστήματος το οποίο θα παράγει ως έξοδο συστάσεις, με τη βοήθεια χρονικής πληροφορίας (διαφορά της χρονικής στιγμής βαθμολόγησης από αυτή της σύστασης) και της γεωγραφικής θέσης του χρήστη. Αρχικά το σύστημα κατηγοριοποιεί το χρήστη, σε ένα πεπερασμένο αριθμό κλάσεων, με βάση δημογραφικά δεδομένα. Στη συνέχεια, υπολογίζει ένα βάρος για κάθε βαθμολογία που έχουν πραγματοποιήσει οι χρήστες οι οποίοι ανήκουν στην ίδια κατηγορία με τον πελάτη που θα δεχτεί τις συστάσεις. Στο επόμενο βήμα (συσταδοποίηση), δημιουργεί μία συστάδα με προϊόντα τα οποία πιθανόν θα ενδιέφεραν το χρήστη και μία δεύτερη με προϊόντα που ενδεχομένως θα του ήταν αδιάφορα. Χρησιμοποιώντας την πρώτη συστάδα, δημιουργεί κάποιες προβλέψεις βαθμολογίας, βάσει των οποίων εξάγονται οι τελικές συστάσεις προς το χρήστη, ενώ δε λαμβάνει υπόψη του τη δεύτερη. Για την υλοποίηση του συστήματος χρησιμοποιήθηκε το εργαλείο εξόρυξης δεδομένων WEKA, και πιο συγκεκριμένα οι αλγόριθμοι κατηγοριοποίησης Naïve Bayes, C4.5 και ο αλγόριθμος συσταδοποίησης Expectation Μaximization. Η αξιολόγηση και τα αποτελέσματα των πειραμάτων αποδεικνύουν την ορθότητα της μεθοδολογίας καθώς και την αποδοτικότητα του προτεινόμενου συστήματος. Τέλος, γίνεται αποτίμηση του αλγορίθμου με βάση διαφορετικά σενάρια υπολογισμού των βαρών και παράθεση μετρικών σφάλματος για κάθε σενάριο ξεχωριστά.","abstract_has_math":false,"creators":["Λιάπατας Γεώργιος","Liapatas Georgios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2016,"date_issued":"2016","date_published":"2016","updated_at":"2026-11-19T05:27:13Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1325163"],"render_values":[{"text":"uoadl:1325163","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1325163","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1325163","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%3A1325163","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Λιάπατας Γεώργιος","Liapatas Georgios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2016"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"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:1325163","https://pergamos.lib.uoa.gr/uoa/dl/object/1325163"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο ρόλος ενός συστήματος συστάσεων είναι η παροχή στους χρήστες εξατομικευμένων προτάσεων. Σκοπός της παρούσας εργασίας είναι η δημιουργία ενός συστήματος το οποίο θα παράγει ως έξοδο συστάσεις, με τη βοήθεια χρονικής πληροφορίας (διαφορά της χρονικής στιγμής βαθμολόγησης από αυτή της σύστασης) και της γεωγραφικής θέσης του χρήστη. Αρχικά το σύστημα κατηγοριοποιεί το χρήστη, σε ένα πεπερασμένο αριθμό κλάσεων, με βάση δημογραφικά δεδομένα. Στη συνέχεια, υπολογίζει ένα βάρος για κάθε βαθμολογία που έχουν πραγματοποιήσει οι χρήστες οι οποίοι ανήκουν στην ίδια κατηγορία με τον πελάτη που θα δεχτεί τις συστάσεις. Στο επόμενο βήμα (συσταδοποίηση), δημιουργεί μία συστάδα με προϊόντα τα οποία πιθανόν θα ενδιέφεραν το χρήστη και μία δεύτερη με προϊόντα που ενδεχομένως θα του ήταν αδιάφορα. Χρησιμοποιώντας την πρώτη συστάδα, δημιουργεί κάποιες προβλέψεις βαθμολογίας, βάσει των οποίων εξάγονται οι τελικές συστάσεις προς το χρήστη, ενώ δε λαμβάνει υπόψη του τη δεύτερη. Για την υλοποίηση του συστήματος χρησιμοποιήθηκε το εργαλείο εξόρυξης δεδομένων WEKA, και πιο συγκεκριμένα οι αλγόριθμοι κατηγοριοποίησης Naïve Bayes, C4.5 και ο αλγόριθμος συσταδοποίησης Expectation Μaximization. Η αξιολόγηση και τα αποτελέσματα των πειραμάτων αποδεικνύουν την ορθότητα της μεθοδολογίας καθώς και την αποδοτικότητα του προτεινόμενου συστήματος. Τέλος, γίνεται αποτίμηση του αλγορίθμου με βάση διαφορετικά σενάρια υπολογισμού των βαρών και παράθεση μετρικών σφάλματος για κάθε σενάριο ξεχωριστά.","The role of a recommendation system is to provide to users personalized recommendations. The purpose of this thesis is the creation of a recommender system which produces as output recommendations on top of the geographical location of each user as well as temporal information. Initially, the system classifies the user, based on demographical characteristics, to a finite number of classes. Then calculates a weight for each rating, that users, of the same class, have made. In the next step, it creates a cluster (clustering) with products which may interest the user and a second cluster with products that, probably, they are not of interest of the user. Based on the first cluster, it creates some rating predictions based on which the final recommendations are exported. We adopt the WEKA data mining tool for the implementation of the system, and more specifically the classification algorithms Naïve Bayes and C4.5. The adopted clustering algorithm is the Expectation Maximization. We provide specific simulations and the evaluation of the proposed system. Our experimental results reveal the advantages and the efficiency of the proposed algorithm."]},{"key":"dc:title","label":"Title","values":["Δημιουργία Συστήματος Συστάσεων Βασισμένο σε Χωροχρονικές Πληροφορίες"]}]}],"canonical_facts":{"dc:creator":["Λιάπατας Γεώργιος","Liapatas Georgios"],"dc:date":["2016"],"dc:description":["Ο ρόλος ενός συστήματος συστάσεων είναι η παροχή στους χρήστες εξατομικευμένων προτάσεων. Σκοπός της παρούσας εργασίας είναι η δημιουργία ενός συστήματος το οποίο θα παράγει ως έξοδο συστάσεις, με τη βοήθεια χρονικής πληροφορίας (διαφορά της χρονικής στιγμής βαθμολόγησης από αυτή της σύστασης) και της γεωγραφικής θέσης του χρήστη. Αρχικά το σύστημα κατηγοριοποιεί το χρήστη, σε ένα πεπερασμένο αριθμό κλάσεων, με βάση δημογραφικά δεδομένα. Στη συνέχεια, υπολογίζει ένα βάρος για κάθε βαθμολογία που έχουν πραγματοποιήσει οι χρήστες οι οποίοι ανήκουν στην ίδια κατηγορία με τον πελάτη που θα δεχτεί τις συστάσεις. Στο επόμενο βήμα (συσταδοποίηση), δημιουργεί μία συστάδα με προϊόντα τα οποία πιθανόν θα ενδιέφεραν το χρήστη και μία δεύτερη με προϊόντα που ενδεχομένως θα του ήταν αδιάφορα. Χρησιμοποιώντας την πρώτη συστάδα, δημιουργεί κάποιες προβλέψεις βαθμολογίας, βάσει των οποίων εξάγονται οι τελικές συστάσεις προς το χρήστη, ενώ δε λαμβάνει υπόψη του τη δεύτερη. Για την υλοποίηση του συστήματος χρησιμοποιήθηκε το εργαλείο εξόρυξης δεδομένων WEKA, και πιο συγκεκριμένα οι αλγόριθμοι κατηγοριοποίησης Naïve Bayes, C4.5 και ο αλγόριθμος συσταδοποίησης Expectation Μaximization. Η αξιολόγηση και τα αποτελέσματα των πειραμάτων αποδεικνύουν την ορθότητα της μεθοδολογίας καθώς και την αποδοτικότητα του προτεινόμενου συστήματος. Τέλος, γίνεται αποτίμηση του αλγορίθμου με βάση διαφορετικά σενάρια υπολογισμού των βαρών και παράθεση μετρικών σφάλματος για κάθε σενάριο ξεχωριστά.","The role of a recommendation system is to provide to users personalized recommendations. The purpose of this thesis is the creation of a recommender system which produces as output recommendations on top of the geographical location of each user as well as temporal information. Initially, the system classifies the user, based on demographical characteristics, to a finite number of classes. Then calculates a weight for each rating, that users, of the same class, have made. In the next step, it creates a cluster (clustering) with products which may interest the user and a second cluster with products that, probably, they are not of interest of the user. Based on the first cluster, it creates some rating predictions based on which the final recommendations are exported. We adopt the WEKA data mining tool for the implementation of the system, and more specifically the classification algorithms Naïve Bayes and C4.5. The adopted clustering algorithm is the Expectation Maximization. We provide specific simulations and the evaluation of the proposed system. Our experimental results reveal the advantages and the efficiency of the proposed algorithm."],"dc:identifier":["uoadl:1325163","https://pergamos.lib.uoa.gr/uoa/dl/object/1325163"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Δημιουργία Συστήματος Συστάσεων Βασισμένο σε Χωροχρονικές Πληροφορίες"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:27:13Z"}