Ανάλυση συστημάτων προτάσεων και εφαρμογή αλγορίθμου knn στα κοινωνικά μέσα

Abstract

Στις μέρες μας, ο όγκος των πληροφοριών που μπορεί κανείς να βρει ή να δημοσιεύσει στο διαδίκτυο είναι τεράστιος. Οι χρήστες του διαδικτύου κατακλύζονται από προϊόντα και υπηρεσίες που καλύπτουν ένα μεγάλο εύρος τομέων. Το γεγονός αυτό, σε συνδυασμό με το ότι υπολείπονται σχετικής γνώσης και εμπειρίας κάνει πολύ δύσκολη την λήψη αποφάσεων σχετικά με το ποιά από τα διαθέσιμα προϊόντα ανταποκρίνονται στις ανάγκες και τις προτιμήσεις τους. Το πρόβλημα αυτό έρχονται να λύσουν τα Συστήματα Προτάσεων, τα οποία βρίσκουν στον χρήστη προϊόντα που τον ενδιαφέρουν και τον βοηθούν να καταλήξει σε αποφάσεις. Σκοπός της διπλωματικής εργασίας είναι η μελέτη ενός σπουδαίου λογισμικού εργαλείου, των Συστημάτων Προτάσεων, σε συσχετισμό με έναν πολύ σύγχρονο τομέα του διαδικτυακού τόπου, τα Κοινωνικά Μέσα. Προσπαθούμε να κατανοήσουμε το υπόβαθρο, τον τρόπο λειτουργίας και την χρησιμότητα των Συστημάτων Προτάσεων, καθώς και να εξετάσουμε κάποιες εφαρμογές τους στα Κοινωνικά Μέσα. Αρχικά αναλύουμε σε θεωρητικό επίπεδο τα είδη των Recommender Systems, τους αλγορίθμους που χρησιμοποιούν και τα πεδία στα οποία εφαρμόζονται, εμβαθύνοντας κυρίως στα Συστήματα που μπορούν να εφαρμοστούν στα Κοινωνικά Μέσα. Στη συνέχεια πραγματοποιούμε μια πρακτική εφαρμογή. Συγκεκριμένα, τρέχουμε έναν από τους δημοφιλείς αλγορίθμους που εφαρμόζεται ευρέως στα Συστήματα Προτάσεων, τον αλγόριθμο των κ-κοντινότερων γειτόνων. Ως είσοδο του προγράμματος χρησιμοποιούμε δεδομένα που συλλέξαμε από χρήστες του Facebook. Μεταβάλοντας τις παραμέτρους του αλγορίθμου προσπαθούμε να εξετάσουμε κατά πόσο είναι εφικτή και αποτελεσματική η χρήση δεδομένων από Κοινωνικά Μέσα για την εξαγωγή αποτελεσμάτων από τρίτες εφαρμογές, και όχι από αυτήν καθαυτήν την πλατφόρμα που έχει στη διάθεσή της περισσότερη γνώση ούτως ή άλλως. Τέλος, μελετώνται οι όποιες αδυναμίες του αλγορίθμου και προτείνονται επεκτάσεις προσανατολισμένες σε δεδομένα που προέρχονται από τα Κοινωνικά Μέσα.

Nowadays, the amount of information that can be found or posted on the Internet is huge. Internet users are overwhelmed by products and services that cover a vast area of sectors. This, coupled with the fact that users lack relevant knowledge and experience makes it very difficult for them to make decisions regarding which of the products available meet their specific needs and preferences. Recommender Systems have come to solve this problem by finding products that interest the user and helping him come to a decision. The purpose of this thesis is to study a great software tool, Recommender Systems, in correlation with a very popular sector of the modern Web, Social Media. We try to understand the background, the operation mode and the usefulness of Recommender Systems, as well as study some implementations of Recommender Systems regarding the Social Media. At first, we analyze in a theoritical level all kinds of Recommender Systems, the algorithms they use and the areas in which they operate and especially we study in depth Recommender Systems that rely on Social Media. Then, we implement an application by running one of the most popular algorithms that is widely applied to Recommender Systems, the k-nearest neighbors algorithm. We use data that we collected from Facebook users as input to our program. By changing the program parameters we try to examine whether it is feasible and effective to use data collected from Social Media platforms in order to export results from external applications and not from the platform itself that posses more knowledge anyway. Finally, we examine any weaknesses that the algorithm may have and propose future extensions regarding data coming from the Social Media.