{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2947471"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2947471","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μελέτη και πρωτοτυποποίηση μηχανισμών παραγωγής συστάσεων δημοσιευμάτων, κάνοντας χρήση συνεργατικού φιλτραρίσματος και φιλτραρίσματος βάσει περιεχομένου","abstract":"Η μηχανική μάθηση έχει σημειώσει τρομακτικά άλματα προόδου τις τελευταίες δεκαετίες. Για του λόγου του αληθές, η μηχανική μάθηση έχει ξεπεράσει πλέον τα καθαρά όρια τής τεχνολογίας και θεωρείται βασικό γρανάζι σε πολλούς τομείς. Ένας από αυτούς τους τομείς πλέον, είναι και η δημοσιογραφία. Πιο συγκεκριμένα, όπως κάθε ιστοσελίδα που ασχολείται με το εμπόριο θέλει να προσφέρει την καλύτερη δυνατή υπηρεσία στους πελάτες της, έτσι και οι σύγχρονες, διαδικτυακές, ειδησεογραφικές ιστοσελίδες, επιθυμούν να κάνουν το περιεχόμενο τους όσο πιο ελκυστικό γίνεται, προκειμένου να αναπτύξουν μια σχέση εμπιστοσύνης με τους χρήστες τους, με απώτερο σκοπό την παραμονή τους στην ιστοσελίδα και βέβαια την επιστροφή τους. Για να πετύχουν τον συγκεκριμένο στόχο, η εξατομίκευση περιεχομένου είναι από τα πιο σημαντικά εργαλεία. Η εξατομίκευση περιεχομένου είναι γνωστή παγκοσμίως πλέον, καθώς γίγαντες της τεχνολογίας και των media, όπως είναι η Amazon, το Netflix, και το Spotify, χρησιμοποιούν ειδικούς αλγόριθμους. Αυτοί οι αλγόριθμοι αναλύουν τις προτιμήσεις και την πλοήγηση των χρηστών και δημιουργούν ένα προσωποποιημένο περιεχόμενο. Σκοπός αυτής τής εργασίας, είναι να εφαρμόσουμε την ιδέα της εξατομίκευσης περιεχομένου σε μια ειδησεογραφική ιστοσελίδα. Προκειμένου να το καταφέρουμε αυτό, δημιουργήθηκε ένας αλγόριθμος παραγωγής συστάσεων, ο οποίος είναι βασισμένος στο υβριδικό φιλτράρισμα. Με τον τρόπο αυτό, εξορύχθησαν παραπάνω από 1000 δημοσιεύματα, και αναλύθηκαν τα στοιχεία τους προκειμένου να καθοριστούν οι μεταξύ τους συσχετίσεις. Στη συνέχεια, χρήστες βαθμολόγησαν συγκεκριμένα δημοσιεύματα, με σκοπό να αναλυθούν οι προσωπικές εκτιμήσεις δημοσιευμάτων. Έχοντας πλέον, αποτελέσματα που ήταν βασισμένα στο περιεχόμενο των δημοσιευμάτων, όσο και στις προσωπικές εκτιμήσεις, τα συνδυάσαμε και δημιουργήσαμε έναν υβριδικό αλγόριθμο. Ο συγκεκριμένος κώδικας κατάφερε τελικά να παρουσιάσει στους χρήστες συγκεκριμένες προτάσεις δημοσιευμάτων, οι οποίες ήταν βασισμένες στις προσωπικές τους προτιμήσεις, αλλά και στα στοιχεία των δημοσιευμάτων τα οποία έχουν διαβάσει.","abstract_html":"Η μηχανική μάθηση έχει σημειώσει τρομακτικά άλματα προόδου τις τελευταίες δεκαετίες. Για του λόγου του αληθές, η μηχανική μάθηση έχει ξεπεράσει πλέον τα καθαρά όρια τής τεχνολογίας και θεωρείται βασικό γρανάζι σε πολλούς τομείς. Ένας από αυτούς τους τομείς πλέον, είναι και η δημοσιογραφία. Πιο συγκεκριμένα, όπως κάθε ιστοσελίδα που ασχολείται με το εμπόριο θέλει να προσφέρει την καλύτερη δυνατή υπηρεσία στους πελάτες της, έτσι και οι σύγχρονες, διαδικτυακές, ειδησεογραφικές ιστοσελίδες, επιθυμούν να κάνουν το περιεχόμενο τους όσο πιο ελκυστικό γίνεται, προκειμένου να αναπτύξουν μια σχέση εμπιστοσύνης με τους χρήστες τους, με απώτερο σκοπό την παραμονή τους στην ιστοσελίδα και βέβαια την επιστροφή τους. Για να πετύχουν τον συγκεκριμένο στόχο, η εξατομίκευση περιεχομένου είναι από τα πιο σημαντικά εργαλεία. Η εξατομίκευση περιεχομένου είναι γνωστή παγκοσμίως πλέον, καθώς γίγαντες της τεχνολογίας και των media, όπως είναι η Amazon, το Netflix, και το Spotify, χρησιμοποιούν ειδικούς αλγόριθμους. Αυτοί οι αλγόριθμοι αναλύουν τις προτιμήσεις και την πλοήγηση των χρηστών και δημιουργούν ένα προσωποποιημένο περιεχόμενο. Σκοπός αυτής τής εργασίας, είναι να εφαρμόσουμε την ιδέα της εξατομίκευσης περιεχομένου σε μια ειδησεογραφική ιστοσελίδα. Προκειμένου να το καταφέρουμε αυτό, δημιουργήθηκε ένας αλγόριθμος παραγωγής συστάσεων, ο οποίος είναι βασισμένος στο υβριδικό φιλτράρισμα. Με τον τρόπο αυτό, εξορύχθησαν παραπάνω από 1000 δημοσιεύματα, και αναλύθηκαν τα στοιχεία τους προκειμένου να καθοριστούν οι μεταξύ τους συσχετίσεις. Στη συνέχεια, χρήστες βαθμολόγησαν συγκεκριμένα δημοσιεύματα, με σκοπό να αναλυθούν οι προσωπικές εκτιμήσεις δημοσιευμάτων. Έχοντας πλέον, αποτελέσματα που ήταν βασισμένα στο περιεχόμενο των δημοσιευμάτων, όσο και στις προσωπικές εκτιμήσεις, τα συνδυάσαμε και δημιουργήσαμε έναν υβριδικό αλγόριθμο. Ο συγκεκριμένος κώδικας κατάφερε τελικά να παρουσιάσει στους χρήστες συγκεκριμένες προτάσεις δημοσιευμάτων, οι οποίες ήταν βασισμένες στις προσωπικές τους προτιμήσεις, αλλά και στα στοιχεία των δημοσιευμάτων τα οποία έχουν διαβάσει.","abstract_has_math":false,"creators":["Τουμανίδης Ηλίας","Toumanidis Ilias"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:43:11Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2947471"],"render_values":[{"text":"uoadl:2947471","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2947471","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2947471","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%3A2947471","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τουμανίδης Ηλίας","Toumanidis Ilias"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"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":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2947471","https://pergamos.lib.uoa.gr/uoa/dl/object/2947471"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η μηχανική μάθηση έχει σημειώσει τρομακτικά άλματα προόδου τις τελευταίες δεκαετίες. Για του λόγου του αληθές, η μηχανική μάθηση έχει ξεπεράσει πλέον τα καθαρά όρια τής τεχνολογίας και θεωρείται βασικό γρανάζι σε πολλούς τομείς. Ένας από αυτούς τους τομείς πλέον, είναι και η δημοσιογραφία. Πιο συγκεκριμένα, όπως κάθε ιστοσελίδα που ασχολείται με το εμπόριο θέλει να προσφέρει την καλύτερη δυνατή υπηρεσία στους πελάτες της, έτσι και οι σύγχρονες, διαδικτυακές, ειδησεογραφικές ιστοσελίδες, επιθυμούν να κάνουν το περιεχόμενο τους όσο πιο ελκυστικό γίνεται, προκειμένου να αναπτύξουν μια σχέση εμπιστοσύνης με τους χρήστες τους, με απώτερο σκοπό την παραμονή τους στην ιστοσελίδα και βέβαια την επιστροφή τους. Για να πετύχουν τον συγκεκριμένο στόχο, η εξατομίκευση περιεχομένου είναι από τα πιο σημαντικά εργαλεία. Η εξατομίκευση περιεχομένου είναι γνωστή παγκοσμίως πλέον, καθώς γίγαντες της τεχνολογίας και των media, όπως είναι η Amazon, το Netflix, και το Spotify, χρησιμοποιούν ειδικούς αλγόριθμους. Αυτοί οι αλγόριθμοι αναλύουν τις προτιμήσεις και την πλοήγηση των χρηστών και δημιουργούν ένα προσωποποιημένο περιεχόμενο. Σκοπός αυτής τής εργασίας, είναι να εφαρμόσουμε την ιδέα της εξατομίκευσης περιεχομένου σε μια ειδησεογραφική ιστοσελίδα. Προκειμένου να το καταφέρουμε αυτό, δημιουργήθηκε ένας αλγόριθμος παραγωγής συστάσεων, ο οποίος είναι βασισμένος στο υβριδικό φιλτράρισμα. Με τον τρόπο αυτό, εξορύχθησαν παραπάνω από 1000 δημοσιεύματα, και αναλύθηκαν τα στοιχεία τους προκειμένου να καθοριστούν οι μεταξύ τους συσχετίσεις. Στη συνέχεια, χρήστες βαθμολόγησαν συγκεκριμένα δημοσιεύματα, με σκοπό να αναλυθούν οι προσωπικές εκτιμήσεις δημοσιευμάτων. Έχοντας πλέον, αποτελέσματα που ήταν βασισμένα στο περιεχόμενο των δημοσιευμάτων, όσο και στις προσωπικές εκτιμήσεις, τα συνδυάσαμε και δημιουργήσαμε έναν υβριδικό αλγόριθμο. Ο συγκεκριμένος κώδικας κατάφερε τελικά να παρουσιάσει στους χρήστες συγκεκριμένες προτάσεις δημοσιευμάτων, οι οποίες ήταν βασισμένες στις προσωπικές τους προτιμήσεις, αλλά και στα στοιχεία των δημοσιευμάτων τα οποία έχουν διαβάσει.","Machine learning has made tremendous leaps of progress in recent decades and has now exceeded the pure limits of technology and is considered a key cog in many fields. One of these areas is journalism. More specifically, just as any commercial website wants to offer the best possible service to its customers, today’s modern, online, news websites, also want to make their content as attractive as possible, in order to develop a relationship of trust with their users. The ultimate goal is for the users to stay on the site and of course return to them. To achieve this goal, content personalization is one of the most important tools. Content personalization is now known worldwide, as tech and media giants such as Amazon, Netflix, and Spotify use special algorithms. These algorithms analyze users' preferences and navigation and create personalized content. The purpose of this paper is to implement the idea of personalizing content on a news website. In order to achieve this, a recommendation system was created, which is based on hybrid filtering. More specifically, after mining more than 1000 articles, their data were analyzed in order to determine the correlations between them. After that, users then rated specific articles in order to analyze their preferences regarding certain news articles. After concluding on the results that were based on the content of the articles, as well as on personal assessments, we combined them and created a hybrid algorithm. This code finally managed to present users with specific article suggestions, which were based on their personal preferences, but also on the details of the articles they have read."]},{"key":"dc:title","label":"Title","values":["Μελέτη και πρωτοτυποποίηση μηχανισμών παραγωγής συστάσεων δημοσιευμάτων, κάνοντας χρήση συνεργατικού φιλτραρίσματος και φιλτραρίσματος βάσει περιεχομένου"]}]}],"canonical_facts":{"dc:creator":["Τουμανίδης Ηλίας","Toumanidis Ilias"],"dc:date":["2021"],"dc:description":["Η μηχανική μάθηση έχει σημειώσει τρομακτικά άλματα προόδου τις τελευταίες δεκαετίες. Για του λόγου του αληθές, η μηχανική μάθηση έχει ξεπεράσει πλέον τα καθαρά όρια τής τεχνολογίας και θεωρείται βασικό γρανάζι σε πολλούς τομείς. Ένας από αυτούς τους τομείς πλέον, είναι και η δημοσιογραφία. Πιο συγκεκριμένα, όπως κάθε ιστοσελίδα που ασχολείται με το εμπόριο θέλει να προσφέρει την καλύτερη δυνατή υπηρεσία στους πελάτες της, έτσι και οι σύγχρονες, διαδικτυακές, ειδησεογραφικές ιστοσελίδες, επιθυμούν να κάνουν το περιεχόμενο τους όσο πιο ελκυστικό γίνεται, προκειμένου να αναπτύξουν μια σχέση εμπιστοσύνης με τους χρήστες τους, με απώτερο σκοπό την παραμονή τους στην ιστοσελίδα και βέβαια την επιστροφή τους. Για να πετύχουν τον συγκεκριμένο στόχο, η εξατομίκευση περιεχομένου είναι από τα πιο σημαντικά εργαλεία. Η εξατομίκευση περιεχομένου είναι γνωστή παγκοσμίως πλέον, καθώς γίγαντες της τεχνολογίας και των media, όπως είναι η Amazon, το Netflix, και το Spotify, χρησιμοποιούν ειδικούς αλγόριθμους. Αυτοί οι αλγόριθμοι αναλύουν τις προτιμήσεις και την πλοήγηση των χρηστών και δημιουργούν ένα προσωποποιημένο περιεχόμενο. Σκοπός αυτής τής εργασίας, είναι να εφαρμόσουμε την ιδέα της εξατομίκευσης περιεχομένου σε μια ειδησεογραφική ιστοσελίδα. Προκειμένου να το καταφέρουμε αυτό, δημιουργήθηκε ένας αλγόριθμος παραγωγής συστάσεων, ο οποίος είναι βασισμένος στο υβριδικό φιλτράρισμα. Με τον τρόπο αυτό, εξορύχθησαν παραπάνω από 1000 δημοσιεύματα, και αναλύθηκαν τα στοιχεία τους προκειμένου να καθοριστούν οι μεταξύ τους συσχετίσεις. Στη συνέχεια, χρήστες βαθμολόγησαν συγκεκριμένα δημοσιεύματα, με σκοπό να αναλυθούν οι προσωπικές εκτιμήσεις δημοσιευμάτων. Έχοντας πλέον, αποτελέσματα που ήταν βασισμένα στο περιεχόμενο των δημοσιευμάτων, όσο και στις προσωπικές εκτιμήσεις, τα συνδυάσαμε και δημιουργήσαμε έναν υβριδικό αλγόριθμο. Ο συγκεκριμένος κώδικας κατάφερε τελικά να παρουσιάσει στους χρήστες συγκεκριμένες προτάσεις δημοσιευμάτων, οι οποίες ήταν βασισμένες στις προσωπικές τους προτιμήσεις, αλλά και στα στοιχεία των δημοσιευμάτων τα οποία έχουν διαβάσει.","Machine learning has made tremendous leaps of progress in recent decades and has now exceeded the pure limits of technology and is considered a key cog in many fields. One of these areas is journalism. More specifically, just as any commercial website wants to offer the best possible service to its customers, today’s modern, online, news websites, also want to make their content as attractive as possible, in order to develop a relationship of trust with their users. The ultimate goal is for the users to stay on the site and of course return to them. To achieve this goal, content personalization is one of the most important tools. Content personalization is now known worldwide, as tech and media giants such as Amazon, Netflix, and Spotify use special algorithms. These algorithms analyze users' preferences and navigation and create personalized content. The purpose of this paper is to implement the idea of personalizing content on a news website. In order to achieve this, a recommendation system was created, which is based on hybrid filtering. More specifically, after mining more than 1000 articles, their data were analyzed in order to determine the correlations between them. After that, users then rated specific articles in order to analyze their preferences regarding certain news articles. After concluding on the results that were based on the content of the articles, as well as on personal assessments, we combined them and created a hybrid algorithm. This code finally managed to present users with specific article suggestions, which were based on their personal preferences, but also on the details of the articles they have read."],"dc:identifier":["uoadl:2947471","https://pergamos.lib.uoa.gr/uoa/dl/object/2947471"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Μελέτη και πρωτοτυποποίηση μηχανισμών παραγωγής συστάσεων δημοσιευμάτων, κάνοντας χρήση συνεργατικού φιλτραρίσματος και φιλτραρίσματος βάσει περιεχομένου"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:43:11Z"}