{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1325383"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1325383","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ομαδικές συστάσεις βάσει περίπτωσης για διαμορφώσιμα προϊόντα με χρήση πολυδιάστατης ομαδοποίησης","abstract":"Τα συστήματα συστάσεων παρέχουν εξατομικευμένες προτάσεις στους χρήστες σχετικά με αντικείμενα ή θέματα που εκτιμάται ότι θα τους ενδιαφέρουν. Τα μοντέρνα συστήματα συστάσεων υποστηρίζουν τους χρήστες στην επιλογή αντικειμένων ενός συγκεκριμένου είδους (για παράδειγμα, ταινίες, βιβλία και τραγούδια). Η παρούσα εργασία επικεντρώνεται σε ένα σχετικά νέο τομέα συστημάτων συστάσεων που αφορά τα διαμορφώσιμα προϊόντα (configurable products) τα οποία αποτελούνται από επιμέρους αντικείμενα και προτείνονται στο χρήστη ως σύνολο, όπως είναι για παράδειγμα ένας H/Y. Συνήθως, τα συστήματα συστάσεων επωφελούνται των τεχνικών του συνεργατικού φιλτραρίσματος (ΣΦ) που προβλέπουν αντικείμενα για το νέο χρήστη με βάση τις προτιμήσεις άλλων όμοιων χρηστών. Εκτός από το συνεργατικό φιλτράρισμα, τα συστήματα συστάσεων χρησιμοποιούν επίσης άλλες τεχνικές μηχανικής μάθησης όπως ομαδοποίηση (clustering) και κατηγοριοποίηση (classification) δεδομένων. Η παρούσα διπλωματική εργασία στοχεύει στην πρόταση μιας νέας αποδοτικής τεχνικής συστάσεων ανασχηματιζόμενων προϊόντων για ομάδες χρηστών. Προτείνεται η δημιουργία ενός υβριδικού συστήματος συστάσεων ΣΦ και συστάσεων βάσει περίπτωσης (case-based) το οποίο θα προτείνει διαμορφώσιμα προϊόντα σε ομάδες χρηστών μέσω της υιοθέτησης τεχνικών πολυδιάστατης ομαδοποίησης και κατηγοριοποίησης. Ειδικότερα, χρησιμοποιούμε τα δημογραφικά δεδομένα και τις προτιμήσεις των χρηστών για να τους ομαδοποιήσουμε σε πολλαπλές κατηγορίες και στη συνέχεια δημιουργούμε ένα μοντέλο που εντάσσει το νέο χρήστη σε μία από αυτές. Οι νέοι χρήστες ομαδοποιούνται βάσει κατηγορίας και οι συστάσεις παρέχονται στην ομάδα βάσει των διαμορφώσεων εγγεγραμμένων χρηστών που οι προτιμήσεις τους μοιάζουν περισσότερο με της εκάστοτε ομάδας. Η πειραματική αξιολόγηση αποδεικνύει ότι η ενσωμάτωση της πολυδιάστατης ομαδοποίησης βελτιώνει την ακρίβεια των συστάσεων. Παράλληλα, αντιμετωπίζει τα κυριότερα προβλήματα των τεχνικών ΣΦ που είναι η αραιότητα των αξιολογήσεων και το πρόβλημα της ψυχρής εκκίνησης.","abstract_html":"Τα συστήματα συστάσεων παρέχουν εξατομικευμένες προτάσεις στους χρήστες σχετικά με αντικείμενα ή θέματα που εκτιμάται ότι θα τους ενδιαφέρουν. Τα μοντέρνα συστήματα συστάσεων υποστηρίζουν τους χρήστες στην επιλογή αντικειμένων ενός συγκεκριμένου είδους (για παράδειγμα, ταινίες, βιβλία και τραγούδια). Η παρούσα εργασία επικεντρώνεται σε ένα σχετικά νέο τομέα συστημάτων συστάσεων που αφορά τα διαμορφώσιμα προϊόντα (configurable products) τα οποία αποτελούνται από επιμέρους αντικείμενα και προτείνονται στο χρήστη ως σύνολο, όπως είναι για παράδειγμα ένας H/Y. Συνήθως, τα συστήματα συστάσεων επωφελούνται των τεχνικών του συνεργατικού φιλτραρίσματος (ΣΦ) που προβλέπουν αντικείμενα για το νέο χρήστη με βάση τις προτιμήσεις άλλων όμοιων χρηστών. Εκτός από το συνεργατικό φιλτράρισμα, τα συστήματα συστάσεων χρησιμοποιούν επίσης άλλες τεχνικές μηχανικής μάθησης όπως ομαδοποίηση (clustering) και κατηγοριοποίηση (classification) δεδομένων. Η παρούσα διπλωματική εργασία στοχεύει στην πρόταση μιας νέας αποδοτικής τεχνικής συστάσεων ανασχηματιζόμενων προϊόντων για ομάδες χρηστών. Προτείνεται η δημιουργία ενός υβριδικού συστήματος συστάσεων ΣΦ και συστάσεων βάσει περίπτωσης (case-based) το οποίο θα προτείνει διαμορφώσιμα προϊόντα σε ομάδες χρηστών μέσω της υιοθέτησης τεχνικών πολυδιάστατης ομαδοποίησης και κατηγοριοποίησης. Ειδικότερα, χρησιμοποιούμε τα δημογραφικά δεδομένα και τις προτιμήσεις των χρηστών για να τους ομαδοποιήσουμε σε πολλαπλές κατηγορίες και στη συνέχεια δημιουργούμε ένα μοντέλο που εντάσσει το νέο χρήστη σε μία από αυτές. Οι νέοι χρήστες ομαδοποιούνται βάσει κατηγορίας και οι συστάσεις παρέχονται στην ομάδα βάσει των διαμορφώσεων εγγεγραμμένων χρηστών που οι προτιμήσεις τους μοιάζουν περισσότερο με της εκάστοτε ομάδας. Η πειραματική αξιολόγηση αποδεικνύει ότι η ενσωμάτωση της πολυδιάστατης ομαδοποίησης βελτιώνει την ακρίβεια των συστάσεων. Παράλληλα, αντιμετωπίζει τα κυριότερα προβλήματα των τεχνικών ΣΦ που είναι η αραιότητα των αξιολογήσεων και το πρόβλημα της ψυχρής εκκίνησης.","abstract_has_math":false,"creators":["Παπαδημητρίου Χαρίκλεια","Papadimitriou Charikleia"],"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:1325383"],"render_values":[{"text":"uoadl:1325383","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1325383","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1325383","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%3A1325383","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Παπαδημητρίου Χαρίκλεια","Papadimitriou Charikleia"]}]},{"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:1325383","https://pergamos.lib.uoa.gr/uoa/dl/object/1325383"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα συστήματα συστάσεων παρέχουν εξατομικευμένες προτάσεις στους χρήστες σχετικά με αντικείμενα ή θέματα που εκτιμάται ότι θα τους ενδιαφέρουν. Τα μοντέρνα συστήματα συστάσεων υποστηρίζουν τους χρήστες στην επιλογή αντικειμένων ενός συγκεκριμένου είδους (για παράδειγμα, ταινίες, βιβλία και τραγούδια). Η παρούσα εργασία επικεντρώνεται σε ένα σχετικά νέο τομέα συστημάτων συστάσεων που αφορά τα διαμορφώσιμα προϊόντα (configurable products) τα οποία αποτελούνται από επιμέρους αντικείμενα και προτείνονται στο χρήστη ως σύνολο, όπως είναι για παράδειγμα ένας H/Y. Συνήθως, τα συστήματα συστάσεων επωφελούνται των τεχνικών του συνεργατικού φιλτραρίσματος (ΣΦ) που προβλέπουν αντικείμενα για το νέο χρήστη με βάση τις προτιμήσεις άλλων όμοιων χρηστών. Εκτός από το συνεργατικό φιλτράρισμα, τα συστήματα συστάσεων χρησιμοποιούν επίσης άλλες τεχνικές μηχανικής μάθησης όπως ομαδοποίηση (clustering) και κατηγοριοποίηση (classification) δεδομένων. Η παρούσα διπλωματική εργασία στοχεύει στην πρόταση μιας νέας αποδοτικής τεχνικής συστάσεων ανασχηματιζόμενων προϊόντων για ομάδες χρηστών. Προτείνεται η δημιουργία ενός υβριδικού συστήματος συστάσεων ΣΦ και συστάσεων βάσει περίπτωσης (case-based) το οποίο θα προτείνει διαμορφώσιμα προϊόντα σε ομάδες χρηστών μέσω της υιοθέτησης τεχνικών πολυδιάστατης ομαδοποίησης και κατηγοριοποίησης. Ειδικότερα, χρησιμοποιούμε τα δημογραφικά δεδομένα και τις προτιμήσεις των χρηστών για να τους ομαδοποιήσουμε σε πολλαπλές κατηγορίες και στη συνέχεια δημιουργούμε ένα μοντέλο που εντάσσει το νέο χρήστη σε μία από αυτές. Οι νέοι χρήστες ομαδοποιούνται βάσει κατηγορίας και οι συστάσεις παρέχονται στην ομάδα βάσει των διαμορφώσεων εγγεγραμμένων χρηστών που οι προτιμήσεις τους μοιάζουν περισσότερο με της εκάστοτε ομάδας. Η πειραματική αξιολόγηση αποδεικνύει ότι η ενσωμάτωση της πολυδιάστατης ομαδοποίησης βελτιώνει την ακρίβεια των συστάσεων. Παράλληλα, αντιμετωπίζει τα κυριότερα προβλήματα των τεχνικών ΣΦ που είναι η αραιότητα των αξιολογήσεων και το πρόβλημα της ψυχρής εκκίνησης.","Recommender systems provide personalized suggestions to end users regarding items or concepts that they will probably find interesting. Modern recommenders help users to select items of a specific kind, for instance films, books or songs. This thesis focuses on a relatively new field of recommender systems concerning configurable products which consist of individual attributes or parts. These parts are recommended to the user as a whole, for example a customizable PC. Usually, recommenders leverage collaborative filtering methods that predict items for new users based on the preferences of other similar users. Apart from collaborative filtering, recommenders are likely to use other techniques common in data mining such as clustering and classification of data. The aim of this thesis is to propose an effective approach for recommendation of configurable products for groups of users. We suggest and describe the creation of a hybrid collaborative filtering and case-based recommender system, which will propose configurations to groups by applying multidimensional clustering and classification algorithms. Specifically, we use demographic data and users’ preferences to cluster them in multiple classes and then we create the model which classifies the new user into one of these classes. New users are grouped by class and recommendations are provided to each group based on the configurations of registered users whose preferences are more similar to the group’s aggregated preferences. Experimental evaluation of the aforementioned system proves that the integration of multidimensional clustering improves the precision of the recommendations. At the same time, it deals with the major problems of collaborative filtering approaches, which are the sparseness of rankings (for new items) and the cold start problem (for new users)."]},{"key":"dc:title","label":"Title","values":["Ομαδικές συστάσεις βάσει περίπτωσης για διαμορφώσιμα προϊόντα με χρήση πολυδιάστατης ομαδοποίησης"]}]}],"canonical_facts":{"dc:creator":["Παπαδημητρίου Χαρίκλεια","Papadimitriou Charikleia"],"dc:date":["2016"],"dc:description":["Τα συστήματα συστάσεων παρέχουν εξατομικευμένες προτάσεις στους χρήστες σχετικά με αντικείμενα ή θέματα που εκτιμάται ότι θα τους ενδιαφέρουν. Τα μοντέρνα συστήματα συστάσεων υποστηρίζουν τους χρήστες στην επιλογή αντικειμένων ενός συγκεκριμένου είδους (για παράδειγμα, ταινίες, βιβλία και τραγούδια). Η παρούσα εργασία επικεντρώνεται σε ένα σχετικά νέο τομέα συστημάτων συστάσεων που αφορά τα διαμορφώσιμα προϊόντα (configurable products) τα οποία αποτελούνται από επιμέρους αντικείμενα και προτείνονται στο χρήστη ως σύνολο, όπως είναι για παράδειγμα ένας H/Y. Συνήθως, τα συστήματα συστάσεων επωφελούνται των τεχνικών του συνεργατικού φιλτραρίσματος (ΣΦ) που προβλέπουν αντικείμενα για το νέο χρήστη με βάση τις προτιμήσεις άλλων όμοιων χρηστών. Εκτός από το συνεργατικό φιλτράρισμα, τα συστήματα συστάσεων χρησιμοποιούν επίσης άλλες τεχνικές μηχανικής μάθησης όπως ομαδοποίηση (clustering) και κατηγοριοποίηση (classification) δεδομένων. Η παρούσα διπλωματική εργασία στοχεύει στην πρόταση μιας νέας αποδοτικής τεχνικής συστάσεων ανασχηματιζόμενων προϊόντων για ομάδες χρηστών. Προτείνεται η δημιουργία ενός υβριδικού συστήματος συστάσεων ΣΦ και συστάσεων βάσει περίπτωσης (case-based) το οποίο θα προτείνει διαμορφώσιμα προϊόντα σε ομάδες χρηστών μέσω της υιοθέτησης τεχνικών πολυδιάστατης ομαδοποίησης και κατηγοριοποίησης. Ειδικότερα, χρησιμοποιούμε τα δημογραφικά δεδομένα και τις προτιμήσεις των χρηστών για να τους ομαδοποιήσουμε σε πολλαπλές κατηγορίες και στη συνέχεια δημιουργούμε ένα μοντέλο που εντάσσει το νέο χρήστη σε μία από αυτές. Οι νέοι χρήστες ομαδοποιούνται βάσει κατηγορίας και οι συστάσεις παρέχονται στην ομάδα βάσει των διαμορφώσεων εγγεγραμμένων χρηστών που οι προτιμήσεις τους μοιάζουν περισσότερο με της εκάστοτε ομάδας. Η πειραματική αξιολόγηση αποδεικνύει ότι η ενσωμάτωση της πολυδιάστατης ομαδοποίησης βελτιώνει την ακρίβεια των συστάσεων. Παράλληλα, αντιμετωπίζει τα κυριότερα προβλήματα των τεχνικών ΣΦ που είναι η αραιότητα των αξιολογήσεων και το πρόβλημα της ψυχρής εκκίνησης.","Recommender systems provide personalized suggestions to end users regarding items or concepts that they will probably find interesting. Modern recommenders help users to select items of a specific kind, for instance films, books or songs. This thesis focuses on a relatively new field of recommender systems concerning configurable products which consist of individual attributes or parts. These parts are recommended to the user as a whole, for example a customizable PC. Usually, recommenders leverage collaborative filtering methods that predict items for new users based on the preferences of other similar users. Apart from collaborative filtering, recommenders are likely to use other techniques common in data mining such as clustering and classification of data. The aim of this thesis is to propose an effective approach for recommendation of configurable products for groups of users. We suggest and describe the creation of a hybrid collaborative filtering and case-based recommender system, which will propose configurations to groups by applying multidimensional clustering and classification algorithms. Specifically, we use demographic data and users’ preferences to cluster them in multiple classes and then we create the model which classifies the new user into one of these classes. New users are grouped by class and recommendations are provided to each group based on the configurations of registered users whose preferences are more similar to the group’s aggregated preferences. Experimental evaluation of the aforementioned system proves that the integration of multidimensional clustering improves the precision of the recommendations. At the same time, it deals with the major problems of collaborative filtering approaches, which are the sparseness of rankings (for new items) and the cold start problem (for new users)."],"dc:identifier":["uoadl:1325383","https://pergamos.lib.uoa.gr/uoa/dl/object/1325383"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ομαδικές συστάσεις βάσει περίπτωσης για διαμορφώσιμα προϊόντα με χρήση πολυδιάστατης ομαδοποίησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:27:13Z"}