{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3242484"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3242484","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Συγκριτική αξιολόγηση αλγορίθμων για συστήματα προτάσεων σε χώρους εστίασης","abstract":"Στην παρούσα εργασία αρχικά γίνεται μία θεωρητική αναφορά στα συστήματα προτάσεων, στα πλεονεκτήματα και μειονεκτήματα της κάθε μεθόδου δημιουργίας ειδικότερα στον κλάδο των εστιατορίων αλλά και σε ένα γενικότερο πλαίσιο που αφορά και στους υπόλοιπους τομείς. Η προσπάθεια αυτή στοχεύει στην κατανόηση αυτών των πολύπλευρων και ιδιαίτερα χρήσιμων συστημάτων περιγράφοντας τις κυριότερες μεθόδους που συμπεριλαμβάνουν κατά κύριο λόγο το συνεργατικό φιλτράρισμα, το φιλτράρισμα βάσει περιεχομένου και του υβριδικού μοντέλου. Στην συνέχεια, παραθέτονται αναλυτικά τα αποτελέσματα της ανάλυσης για τα υπό μελέτη σύνολα δεδομένων τα οποία αφορούν στην βαθμολογία εξυπηρέτησης, φαγητού και γενικής φύσεως, εξηγώντας την σημασία των διαθέσιμων μεταβλητών στην διαμόρφωση της κριτικής για ένα εστιατόριο. Έπειτα γίνεται εστίαση σε έννοιες που αφορούν σε τρεις μεγάλες κατηγορίες τεχνικών μηχανικής μάθησης, τις συνενωτικές, υβριδικές και συνενωτικές – υβριδικές μεθόδους παρουσιάζοντας μία ανάλυση - συγκριτική αξιολόγηση κάποιων εκ των αλγορίθμων που τις αποτελούν στα υπό μελέτη σύνολα δεδομένων. Μέσω αυτής της αξιολόγησης, στόχος είναι να εξετασθεί ποια μέθοδος αντιμετωπίζει το πρόβλημα με την μεγαλύτερη ακρίβεια και οδηγεί στην βέλτιστη κατηγοριοποίηση της βαθμολογίας κάθε πελάτη για κάθε εστιατόριο. Οι αλγόριθμοι που τελικά υπερέχουν εξάγοντας τα καλύτερα αποτελέσματα είναι αυτοί που χρησιμοποιούνται για την δημιουργία μίας μηχανής προτάσεων για εστιατόρια.","abstract_html":"Στην παρούσα εργασία αρχικά γίνεται μία θεωρητική αναφορά στα συστήματα προτάσεων, στα πλεονεκτήματα και μειονεκτήματα της κάθε μεθόδου δημιουργίας ειδικότερα στον κλάδο των εστιατορίων αλλά και σε ένα γενικότερο πλαίσιο που αφορά και στους υπόλοιπους τομείς. Η προσπάθεια αυτή στοχεύει στην κατανόηση αυτών των πολύπλευρων και ιδιαίτερα χρήσιμων συστημάτων περιγράφοντας τις κυριότερες μεθόδους που συμπεριλαμβάνουν κατά κύριο λόγο το συνεργατικό φιλτράρισμα, το φιλτράρισμα βάσει περιεχομένου και του υβριδικού μοντέλου. Στην συνέχεια, παραθέτονται αναλυτικά τα αποτελέσματα της ανάλυσης για τα υπό μελέτη σύνολα δεδομένων τα οποία αφορούν στην βαθμολογία εξυπηρέτησης, φαγητού και γενικής φύσεως, εξηγώντας την σημασία των διαθέσιμων μεταβλητών στην διαμόρφωση της κριτικής για ένα εστιατόριο. Έπειτα γίνεται εστίαση σε έννοιες που αφορούν σε τρεις μεγάλες κατηγορίες τεχνικών μηχανικής μάθησης, τις συνενωτικές, υβριδικές και συνενωτικές – υβριδικές μεθόδους παρουσιάζοντας μία ανάλυση - συγκριτική αξιολόγηση κάποιων εκ των αλγορίθμων που τις αποτελούν στα υπό μελέτη σύνολα δεδομένων. Μέσω αυτής της αξιολόγησης, στόχος είναι να εξετασθεί ποια μέθοδος αντιμετωπίζει το πρόβλημα με την μεγαλύτερη ακρίβεια και οδηγεί στην βέλτιστη κατηγοριοποίηση της βαθμολογίας κάθε πελάτη για κάθε εστιατόριο. Οι αλγόριθμοι που τελικά υπερέχουν εξάγοντας τα καλύτερα αποτελέσματα είναι αυτοί που χρησιμοποιούνται για την δημιουργία μίας μηχανής προτάσεων για εστιατόρια.","abstract_has_math":false,"creators":["Αναγνωστοπούλου Γεωργία","Anagnostopoulou Georgia"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T06:20:03Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3242484"],"render_values":[{"text":"uoadl:3242484","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3242484","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3242484","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%3A3242484","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Αναγνωστοπούλου Γεωργία","Anagnostopoulou Georgia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"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:3242484","https://pergamos.lib.uoa.gr/uoa/dl/object/3242484"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στην παρούσα εργασία αρχικά γίνεται μία θεωρητική αναφορά στα συστήματα προτάσεων, στα πλεονεκτήματα και μειονεκτήματα της κάθε μεθόδου δημιουργίας ειδικότερα στον κλάδο των εστιατορίων αλλά και σε ένα γενικότερο πλαίσιο που αφορά και στους υπόλοιπους τομείς. Η προσπάθεια αυτή στοχεύει στην κατανόηση αυτών των πολύπλευρων και ιδιαίτερα χρήσιμων συστημάτων περιγράφοντας τις κυριότερες μεθόδους που συμπεριλαμβάνουν κατά κύριο λόγο το συνεργατικό φιλτράρισμα, το φιλτράρισμα βάσει περιεχομένου και του υβριδικού μοντέλου. Στην συνέχεια, παραθέτονται αναλυτικά τα αποτελέσματα της ανάλυσης για τα υπό μελέτη σύνολα δεδομένων τα οποία αφορούν στην βαθμολογία εξυπηρέτησης, φαγητού και γενικής φύσεως, εξηγώντας την σημασία των διαθέσιμων μεταβλητών στην διαμόρφωση της κριτικής για ένα εστιατόριο. Έπειτα γίνεται εστίαση σε έννοιες που αφορούν σε τρεις μεγάλες κατηγορίες τεχνικών μηχανικής μάθησης, τις συνενωτικές, υβριδικές και συνενωτικές – υβριδικές μεθόδους παρουσιάζοντας μία ανάλυση - συγκριτική αξιολόγηση κάποιων εκ των αλγορίθμων που τις αποτελούν στα υπό μελέτη σύνολα δεδομένων. Μέσω αυτής της αξιολόγησης, στόχος είναι να εξετασθεί ποια μέθοδος αντιμετωπίζει το πρόβλημα με την μεγαλύτερη ακρίβεια και οδηγεί στην βέλτιστη κατηγοριοποίηση της βαθμολογίας κάθε πελάτη για κάθε εστιατόριο. Οι αλγόριθμοι που τελικά υπερέχουν εξάγοντας τα καλύτερα αποτελέσματα είναι αυτοί που χρησιμοποιούνται για την δημιουργία μίας μηχανής προτάσεων για εστιατόρια.","The current thesis attempts a comparative evaluation of three different machines learning methods and their algorithms included, in the field of restaurant recommendation systems. At first, a theoretical reference is made to the proposal systems, in addition to the advantages and disadvantages of each method of creation, especially in the restaurant industry but also in a more general context that concerns other sectors, too. This effort, aims to understand these multifaceted and highly useful systems by describing the main recommendation system types that primarily include collaborative filtering, content-based filtering, and hybrid systems. Furthermore, all the variables regarding food, service and overall ratings included in datasets in discussion are presented in detail, explaining their importance and effect on shaping a restaurant review. The three main categories of machine learning techniques that have been taken into consideration are the ensemble methods, hybrid methods and hybrid – ensemble methods. Some of the main algorithms of these machine learning techniques have been trained and the accuracies reached on training and test data have been evaluated. Through this evaluation, the aim is to examine which method addresses the problem most effectively and leads to the optimal classification. The algorithms that ultimately excel at extracting the best results are those used to build a restaurant recommendation engine for each dataset."]},{"key":"dc:title","label":"Title","values":["Συγκριτική αξιολόγηση αλγορίθμων για συστήματα προτάσεων σε χώρους εστίασης"]}]}],"canonical_facts":{"dc:creator":["Αναγνωστοπούλου Γεωργία","Anagnostopoulou Georgia"],"dc:date":["2022"],"dc:description":["Στην παρούσα εργασία αρχικά γίνεται μία θεωρητική αναφορά στα συστήματα προτάσεων, στα πλεονεκτήματα και μειονεκτήματα της κάθε μεθόδου δημιουργίας ειδικότερα στον κλάδο των εστιατορίων αλλά και σε ένα γενικότερο πλαίσιο που αφορά και στους υπόλοιπους τομείς. Η προσπάθεια αυτή στοχεύει στην κατανόηση αυτών των πολύπλευρων και ιδιαίτερα χρήσιμων συστημάτων περιγράφοντας τις κυριότερες μεθόδους που συμπεριλαμβάνουν κατά κύριο λόγο το συνεργατικό φιλτράρισμα, το φιλτράρισμα βάσει περιεχομένου και του υβριδικού μοντέλου. Στην συνέχεια, παραθέτονται αναλυτικά τα αποτελέσματα της ανάλυσης για τα υπό μελέτη σύνολα δεδομένων τα οποία αφορούν στην βαθμολογία εξυπηρέτησης, φαγητού και γενικής φύσεως, εξηγώντας την σημασία των διαθέσιμων μεταβλητών στην διαμόρφωση της κριτικής για ένα εστιατόριο. Έπειτα γίνεται εστίαση σε έννοιες που αφορούν σε τρεις μεγάλες κατηγορίες τεχνικών μηχανικής μάθησης, τις συνενωτικές, υβριδικές και συνενωτικές – υβριδικές μεθόδους παρουσιάζοντας μία ανάλυση - συγκριτική αξιολόγηση κάποιων εκ των αλγορίθμων που τις αποτελούν στα υπό μελέτη σύνολα δεδομένων. Μέσω αυτής της αξιολόγησης, στόχος είναι να εξετασθεί ποια μέθοδος αντιμετωπίζει το πρόβλημα με την μεγαλύτερη ακρίβεια και οδηγεί στην βέλτιστη κατηγοριοποίηση της βαθμολογίας κάθε πελάτη για κάθε εστιατόριο. Οι αλγόριθμοι που τελικά υπερέχουν εξάγοντας τα καλύτερα αποτελέσματα είναι αυτοί που χρησιμοποιούνται για την δημιουργία μίας μηχανής προτάσεων για εστιατόρια.","The current thesis attempts a comparative evaluation of three different machines learning methods and their algorithms included, in the field of restaurant recommendation systems. At first, a theoretical reference is made to the proposal systems, in addition to the advantages and disadvantages of each method of creation, especially in the restaurant industry but also in a more general context that concerns other sectors, too. This effort, aims to understand these multifaceted and highly useful systems by describing the main recommendation system types that primarily include collaborative filtering, content-based filtering, and hybrid systems. Furthermore, all the variables regarding food, service and overall ratings included in datasets in discussion are presented in detail, explaining their importance and effect on shaping a restaurant review. The three main categories of machine learning techniques that have been taken into consideration are the ensemble methods, hybrid methods and hybrid – ensemble methods. Some of the main algorithms of these machine learning techniques have been trained and the accuracies reached on training and test data have been evaluated. Through this evaluation, the aim is to examine which method addresses the problem most effectively and leads to the optimal classification. The algorithms that ultimately excel at extracting the best results are those used to build a restaurant recommendation engine for each dataset."],"dc:identifier":["uoadl:3242484","https://pergamos.lib.uoa.gr/uoa/dl/object/3242484"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Συγκριτική αξιολόγηση αλγορίθμων για συστήματα προτάσεων σε χώρους εστίασης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:20:03Z"}