Recommendation Selection and User's Quality Of Experience in Cyberphysical Social Systems

Κούσης, Γιώργος - Μάριος; Kousis, George - Marios

dc.contributor.author	Κούσης, Γιώργος - Μάριος	el
dc.contributor.author	Kousis, George - Marios	en
dc.date.accessioned	2018-10-09T09:36:28Z
dc.date.available	2018-10-09T09:36:28Z
dc.date.issued	2018-10-09
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47753
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15350
dc.rights	Default License
dc.subject	Ποιότητα της εμπειρίας	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Διαχείριση χρόνου	el
dc.subject	Θεωρία παιγνίων	el
dc.subject	Συστήματα συστάσεων	el
dc.subject	Quality of experience	en
dc.subject	Machine learning	en
dc.subject	Time management	en
dc.subject	Game theory	en
dc.subject	Recommendation systems	en
dc.title	Recommendation Selection and User's Quality Of Experience in Cyberphysical Social Systems	en
dc.title	Επιλογή Συστάσεων και Μελέτη Ποιότητας Εμπειρίας Χρήστη σε Κυβερνο-φυσικά Κοινωνικά Συστήματα	el
heal.type	bachelorThesis
heal.classification	Δίκτυα και επικοινωνίες	el
heal.classification	Βασική μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.classification	Game theory	en
heal.classification	Θεωρία παιγνίων και θεωρία διαπραγματεύσεων	el
heal.classificationURI	http://data.seab.gr/concepts/273fd4c20d1e3f11519142bec6a1ac2b0b3338e5
heal.classificationURI	http://data.seab.gr/concepts/fec24cd140d4b110c225ac68fec062a57fb86360
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85079324
heal.classificationURI	http://skos.um.es/unescothes/C01644
heal.classificationURI	http://data.seab.gr/concepts/83667eb3b1af07d31ab69154d856bada652fe064
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-04-26
heal.abstract	Among the most persistent problems in Cyber Physical Social Systems is how to o- ptimize a user's Quality of Experience (QoE). Typical e orts to address this problem seek to a ect user behavior using external information (physical environment parameters or pre-determined user pro le elements). Gathering such external information can be prohibitively expensive and time-consuming. In this work we focus our attention on museums, which are a prime representative of cyber physical social systems. Our goal is to implement and evaluate an algorithm that harnesses the visitor's internal ability to intelligently sense their environment and make choices that maximize their QoE. These choices are expressed in terms of which museum touring option is the best for them and how much time to spend on their visit. We model the museum setting as a distributed non-cooperative game where visitors sel shly maximize their own QoE. On this setting we formulate the problem of Recommendation Selection and Visiting Time Management (RSVTM) and implement a two-stage distributed algorithm, based on ga- me theory and machine learning, which learns from visitor behavior to make on-the- y recommendations that maximize the visitor's QoE.	en
heal.abstract	Ανάμεσα στα σημαντικά προβλήματα στο χώρο των Κυβερνο-φυσικών κοινωνικών συστη- μάτων (cyber-physical social systems) είναι η βελτιστοποίηση της Ποιότητας της Εμπειρίας (ΠτΕ) (Quality of Experience (QoE)) των χρηστών. Οι τυπικές μέθοδοι για την επίλυση αυτού του προβλήματος στοχεύουν στην επιρροή της συμπεριφοράς των χρηστών μέσω των εξωτερικών ερεθισμάτων πληροφορίας (χαρακτηριστικά του φυσικού χώρου του συστήματος ή προκαθορισμένα χαρακτηριστικά των χρηστών). Η συλλογή τέτοιων εξωτερικών πληροφο- ριών μπορεί να αποβεί απαγορευτικά δαπανηρή και χρονοβόρα. Στην παρούσα διπλωματική επικεντρώνουμε τη μελέτη μας σε έναν βασικό αντιπρόσωπο των κυβερνο-φυσικών κοινωνικών συστημάτων, τα μουσεία. Στόχος μας είναι η υλοποίηση και αξιολόγηση ενός αλγορίθμου, ο οποίος κάνει χρήση της εγγενούς ικανότητας των χρηστών, αισθανόμενοι το περιβάλλον γύρω τους, να κάνουν επιλογές που θα βελτιστοποιήσουν την ΠτΕ τους. Οι επιλογές αυτές εκφράζονται από τον καθορισμό του τρόπου περιήγησης στο μουσείο καθώς και από τον χρόνο τον οποίο θα αφιερώσουν στην επίσκεψή τους στο μουσείο. Το μουσείο μοντελοποιείται ως ένα κατανεμημένο μη συνεργατικό παίγνιο στο οποίο οι επισκέπτες ιδιοτελώς μεγιστοποιούν την ΠτΕ τους. Το πρόβλημα που διατυπώνουμε και εξετάζουμε είναι αυτό της Επιλογής Συστάσεως και του Χρόνου Επίσκεψης (Recommendation Selection and Visiting Time Management (RSVTM)). Ο υπό μελέτη υλοποιηθείς αλγόριθμος επίλυσης είναι ένας αλγόριθμος δύο σταδίων, βασισμένος στη θεωρία παιγνίων και τη μηχανική μάθηση, στον οποίο κάθε επισκέπτης εξετάζει την επιλογή σύστασης που θα τον οδηγήσει στη μεγιστοποίηση της ΠτΕ του.	el
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	59 σ.
heal.fullTextAvailability	true