Βελτιστοποίηση Αλγορίθμων Πρόβλεψης Προτιμήσεων Χρηστών σε Περιβάλλον Έξυπνης Τηλεόρασης

Δικαίου, Ευγενία; Dikaiou, Evgenia

dc.contributor.author	Δικαίου, Ευγενία	el
dc.contributor.author	Dikaiou, Evgenia	en
dc.date.accessioned	2017-07-18T06:51:44Z
dc.date.available	2017-07-18T06:51:44Z
dc.date.issued	2017-07-18
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/45235
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.13323
dc.rights	Default License
dc.subject	Συστήματα πρότασης περιεχομένου	el
dc.subject	Αλγόριθμοι πρόβλεψης προτιμήσεων	el
dc.subject	Βάση δεδομένων neo4j	el
dc.subject	Ομοιότητα	el
dc.subject	K-nearest neighbour αλγόριθμος	en
dc.subject	Recommendation systems	en
dc.subject	Prediction algorithms	en
dc.subject	K-nearest neighbour algorithm	en
dc.subject	Similarity	en
dc.subject	Neo4j database	en
dc.title	Βελτιστοποίηση Αλγορίθμων Πρόβλεψης Προτιμήσεων Χρηστών σε Περιβάλλον Έξυπνης Τηλεόρασης	el
heal.type	bachelorThesis
heal.classification	Machine Learning Algorithms	en
heal.classification	Computer Engineering	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-02-17
heal.abstract	Στη σύγχρονη κοινωνία, ο όγκος των διαθέσιμων πληροφοριών, προϊόντων και υπηρεσιών, οι γρήγοροι ρυθμοί ζωής, αλλά και οι διαρκώς αυξανόμενες απαιτήσεις των ανθρώπων καθιστούν απαραίτητη τη χρήση αλγορίθμων πρότασης περιεχομένου ανάλογου με τις προτιμήσεις του εκάστοτε χρήστη. Σκοπός της παρούσας διπλωματικής εργασίας είναι η βελτιστοποίηση ενός αλγορίθμου πρόβλεψης προτιμήσεων χρηστών, έτσι ώστε να μειωθεί η απόκλιση των προβλεπόμενων από τις πραγματικές, αλλά και ο απαιτούμενος χρόνος για την ολοκλήρωση της διαδικασίας. Βάση για τη διαμόρφωση της εργασίας αυτής αποτελεί το σύστημα που αναπτύχθηκε στα πλαίσια του SAM project, το οποίο με τη χρήση second screen προτείνει περιεχόμενο σχετικό με ταινίες. Από αυτό πηγάζουν η βάση δεδομένων και ο αρχικός αλγόριθμος που χρησιμοποιούνται. Επομένως, στόχος της εργασίας είναι η ακριβέστερη και ταχύτερη πρόβλεψη σε πραγματικό χρόνο της βαθμολογίας ενός χρήστη για μία ταινία, προκειμένου να καθοριστεί αν θα αποτελέσει προτεινόμενο για αυτόν περιεχόμενο. Η πρόβλεψη βασίζεται στη βαθμολογία που προκύπτει μέσω sentiment analysis από τα σχόλια για την ταινία άλλων χρηστών με παρόμοιες προτιμήσεις. Προκειμένου να επιτευχθεί ο παραπάνω στόχος, η αρχική βάση δεδομένων υπό μορφή γράφου (neo4j) εμπλουτίζεται με επιπλέον σχέσεις και στοιχεία, τα οποία ανανεώνονται και υπολογίζονται εκ νέου όταν συγκεντρωθεί όγκος δεδομένων ικανός να δημιουργήσει αποκλίσεις στα αποτελέσματα. Ακόμη, αναπτύσσεται σε java αλγόριθμος που αποτυπώνει πιο αντιπροσωπευτικά την ομοιότητα των προτιμήσεων δυο οποιωνδήποτε χρηστών, τόσο λόγω διαφορετικού τρόπου υπολογισμού αυτής όσο και λόγω εξειδικευμένης αντιμετώπισης ιδιαίτερων περιπτώσεων και βαθμολογικών μοτίβων. Επιπρόσθετα, βελτιστοποιείται ο εξαιρετικά διαδεδομένος για recommendation systems, k-ΝΝ (k-nearest neighbour) αλγόριθμος και περιορίζεται η επίδραση ή απομονώνονται από τη διαδικασία χρήστες των οποίων η συμπεριφορά επηρεάζει αρνητικά την ορθότητα των προβλέψεων. Επιπλέον, αντιμετωπίζονται διαφορετικά χρήστες που αναμένεται ότι θα παρουσιάσουν ιδιάζουσα συμπεριφορά όταν πραγματοποιούνται προβλέψεις για αυτούς (gray και black sheep). Τέλος, περιορίζονται οι on demand υπολογισμοί που απαιτούνται κάθε φορά, το πλήθος των προσβάσεων στη βάση δεδομένων και ο συνολικός καταναλισκόμενος σε αυτές χρόνος, αυξάνοντας σημαντικά την ταχύτητα του αλγορίθμου.	el
heal.advisorName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Βαρβαρίγος, Εμμανουήλ	el
heal.committeeMemberName	Λούμος, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	138 σ.	el
heal.fullTextAvailability	true