Ανίχνευση κοινοτήτων σε κοινωνικά δίκτυα με εφαρμογή
σε συστήματα συστάσεων συνεργατικής διήθησης

Καζάκος, Ιωάννης; Kazakos, Ioannis

dc.contributor.author	Καζάκος, Ιωάννης	el
dc.contributor.author	Kazakos, Ioannis	en
dc.date.accessioned	2017-10-30T09:39:39Z
dc.date.available	2017-10-30T09:39:39Z
dc.date.issued	2017-10-30
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/45832
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.14829
dc.rights	Default License
dc.subject	Ανίχνευση κοινοτήτων	el
dc.subject	Αλγόριθμος Girvan-Newman	el
dc.subject	Συστήματα συστάσεων	el
dc.subject	Συνεργατική διήθηση	el
dc.subject	Γειτονιά χρήστη	el
dc.subject	Community detection	en
dc.subject	Girvan-Newman algorithm	en
dc.subject	Recommender systems	el
dc.subject	Collaborative filtering	el
dc.subject	User neighborhood	el
dc.title	Ανίχνευση κοινοτήτων σε κοινωνικά δίκτυα με εφαρμογή σε συστήματα συστάσεων συνεργατικής διήθησης	el
dc.title	Community detection in social networks with application to collaborative filtering recommender systems	en
heal.type	bachelorThesis
heal.classification	Επιστήμη υπολογιστών	el
heal.classification	Πληροφορική	el
heal.classification	Recommender systems (Information filtering)	en
heal.classification	Ανάλυση κοινωνικού δικτύου	el
heal.classificationURI	http://data.seab.gr/concepts/77de68daecd823babbb58edb1c8e14d7106e83bb
heal.classificationURI	http://data.seab.gr/concepts/971f8c82aca5926d9a04e32a71bc7e1e2d11c4f8
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh2007003098
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-07-18
heal.abstract	Σκοπός της παρούσας διπλωματικής είναι η ενσωμάτωση της ανάλυσης κοινωνικών δικτύων και συγκεκριμένα της ανίχνευσης κοινοτήτων σε συστήματα συστάσεων συνεργατικής διήθησης προκειμένου να βελτιωθεί η ποιότητα των συστάσεών τους. Τα τελευταία χρόνια, τα συστήματα συστάσεων γίνονται ολοένα και πιο δημοφιλή στο διαδίκτυο με εφαρμογές σε διάφορες περιοχές όπως ταινίες, μουσική, ειδήσεις, βιβλία, επιστημονικά άρθρα και καταναλωτικά προϊόντα. Όταν οι χρήστες για τους οποίους γίνονται οι συστάσεις συνδέονται μεταξύ τους με κάποιο δεσμό, όπως σε ένα κοινωνικό δίκτυο, αυτή η πληροφορία μπορεί να χρησιμοποιηθεί ως μια επιπλέον παράμετρος του συστήματος ώστε να επιτευχθούν καλύτερες συστάσεις για τους χρήστες. Η παρούσα εργασία αποτελείται από δύο βασικά μέρη. Το πρώτο από αυτά αφορά την ανίχνευση κοινοτήτων στο δίκτυο των χρηστών του υπό εξέταση συνόλου δεδομένων. Αρχικά, εντοπίζονται οι συνεκτικές συνιστώσες του δικτύου και εξαιρούνται από τη διαδικασία οι μικρότερες καθώς μπορούν να θεωρηθούν ως υφιστάμενες κοινότητες. Στη συνέχεια, εφαρμόζεται ο αλγόριθμος ανίχνευσης κοινοτήτων των Girvan-Newman στις μεγάλες συνεκτικές συνιστώσες του δικτύου. Ο αλγόριθμος αυτός εντοπίζει τις κοινότητες ενός δικτύου αφαιρώντας προοδευτικά ακμές οι οποίες συναντώνται συχνότερα σε διαδρομές συντομότερων μονοπατιών μεταξύ των κόμβων του δικτύου. Τα συνδεδεμένα μέρη του εναπομείναντος δικτύου αποτελούν τις τελικές κοινότητες. Το δεύτερο μέρος περιλαμβάνει την εφαρμογή των αποτελεσμάτων της ανίχνευσης κοινοτήτων στα κλασικά συστήματα συστάσεων συνεργατικής διήθησης. Αυτό επιτυγχάνεται με τον περιορισμό της γειτονιάς του κάθε χρήστη-στόχου στους χρήστες οι οποίοι ανήκουν στην ίδια κοινότητα με αυτόν, αντί να λαμβάνεται υπόψη όλο το δίκτυο. Πιο συγκεκριμένα, σε πρώτη φάση αναπτύσσονται συστήματα συνεργατικής διήθησης βασισμένης στο χρήστη και στο αντικείμενο καθώς και απλά συστήματα κοινωνικής σύστασης προκειμένου να εντοπιστεί ο πιο αποδοτικός συνδυασμός συστημάτων και παραμέτρων. Κατόπιν, για τις βέλτιστες παραμέτρους αναπτύσσονται αντίστοιχα συστήματα στα οποία λαμβάνονται υπόψη οι κοινότητες του δικτύου που εντοπίστηκαν προηγουμένως κατά το βήμα εύρεσης της γειτονιάς του χρήστη-στόχου. Πρόκειται για το προτεινόμενο από την παρούσα εργασία κοινωνικό σύστημα συνεργατικής διήθησης. Τέλος, γίνεται σύγκριση της ποιότητας των συστάσεων του προτεινόμενου συστήματος με τα υπόλοιπα συστήματα και αξιολόγηση των αποτελεσμάτων σε σχέση με τις προκλήσεις του προβλήματος ενώ δίνονται και μελλοντικές κατευθύνσεις έρευνας.	el
heal.abstract	The purpose of this diploma thesis is the integration of social network analysis and specifically community detection in collaborative filtering recommender systems. In recent years, recommender systems are becoming increasingly popular on the web including various applications such as movies, music, news, books, scientific articles and consumer goods. In cases where the target users of the recommendations are connected with each other in some way, like in a social network, such information may be used as an extra parameter of the recommender system in order to improve the quality of its recommendations. The present work consists of two basic parts. The first of them concerns the community detection in the network of users of the dataset under examination. As a first step, the network’s connected components are located and the smaller of them are excluded from the procedure, being considered as existing communities. Subsequently, the Girvan-Newman community detection algorithm is applied to the bigger connected components of the graph. This algorithm locates the communities of a network by progressively removing edges which are encountered more frequently in shortest paths between pairs of nodes in the network. The second part includes the application of the community detection results in classic collaborative filtering recommender systems. This is achieved by restricting the neighborhood of each target user to the users who belong to the same community with him, instead of considering the whole network. Initially, classic user-based and item-based collaborative filtering recommender systems are developed, as well as simple social recommender systems, in order to find the optimal set of parameters. Having found the optimal configurations, another user-based collaborative filtering is developed, in which the communities located previously are taken into account at the step of computing a target user’s neighborhood. This is the suggested social collaborative filtering recommender system of the present diploma thesis. Finally, the suggested recommender system is compared with the rest of the systems and the results are evaluated, in reference with the challenges of the problem, while future research directions are also given.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	96 σ.
heal.fullTextAvailability	true