Εφαρμογές ενισχυτική μάθησης σε συστήματα συστάσεων

Κατσικερός, Θεόδωρος; Katsikeros, Theodoros

dc.contributor.author	Κατσικερός, Θεόδωρος	el
dc.contributor.author	Katsikeros, Theodoros	en
dc.date.accessioned	2022-09-23T08:07:08Z
dc.date.available	2022-09-23T08:07:08Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55727
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23425
dc.rights	Default License
dc.subject	Μηχανική Μάθηση	el
dc.subject	Ενισχυτική Μάθηση	el
dc.subject	Συστήματα Συστάσεων	el
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Επιβλεπόμενη Μάθηση	el
dc.subject	Machine Learning	en
dc.subject	Reinforcement Learning	en
dc.subject	Recommendation Systems	en
dc.subject	Artificial Intelligence	en
dc.subject	Supervised Learning	en
dc.title	Εφαρμογές ενισχυτική μάθησης σε συστήματα συστάσεων	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Συστήματα Συστάσεων	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-11-05
heal.abstract	Τα Συστήματα Συστάσεων είναι ένας τύπος συστημάτων που χρησιμοποιείται σχεδόν σε κάθε online πλατφόρμα, ώστε να προτείνονται στους χρήστες αντικείμενα που μπορεί να τους ενδιαφέρουν, κυρίως για διαφημιστικούς/εμπορικούς λόγους. Τα νέα δεδομένα που φέρνει η εποχή της τεχνολογίας όμως με την αύξηση της ροής δεδομένων στο διαδίκτυο και οι δυνατότητες που προσφέρει η επιστήμη των Big Data, επιβάλλουν τη χρήση Μηχανικής Μάθησης και στον τομέα των Συστημάτων Συστάσεων, προκειμένου να γίνονται πιο αποτελεσματικές και εύστοχες συστάσεις. Έχει υπάρξει αρκετή έρευνα ως προς την εφαρμογή της Μηχανικής Μάθησης σε Συστήματα Συστάσεων, κυρίως με χρήση της Επιβλεπόμενης Μάθησης που μέχρι πρότινως θεωρούταν η ιδανική για εφαρμογή στο συγκεκριμένο κλάδο. Παρόλα αυτά, η προσπάθεια της έρευνας τα τελευταία χρόνια συγκεντρώνεται στην εφαρμογή πιο σύνθετων μεθόδων, όπως η Ενισχυτική Μάθηση, αφού είναι πολλά υποσχόμενη όσον αφορά τη διαχείριση μεγάλου όγκου δεδομένων. Στην παρούσα διπλωματική εργασία, μελετήθηκαν και παρουσιάστηκαν παραδείγματα εφαρμογής της Ενισχητικής Μάθησης σε Συστήματα Συστάσεων σε διάφορους τομείς, όπως το e-commerce (Feed Streaming Recommendation), η Μουσική (Music Recommendation), οι Ειδήσεις (News Recommendation) και οι Διαφημίσεις (Ad Recommendation). Αναλύθηκε σε μεγάλο βαθμό η τεχνική υλοποίησης των αλγορίθμων, εξηγήθηκε γιατί η Ενισχυτική Μάθηση ήταν το κατάλληλο εργαλείο για την κάθε περίπτωση ξεχωριστά, παρουσιάστηκαν τα ωφέλη μέσω παρουσίασης πραγματικών πειραμάτων που έχουν διεξαχθεί, και τέλος επισημάνθηκαν οι δυσκολίες που προκύπτουν λόγω της εφαρμογής της Ενισχυτικής Μάθησης. Προφανώς, η ενσωμάτωση τεχνικών Ενισχυτικής Μάθησης στα Συστήματα Συστάσεων, επιφέρει επιπλέον πολυπλοκότητα και δυσκολία υλοποίησης των εκάστοτε αλγορίθμων. Στη συγκεκριμένη περίπτωση ωστόσο, τα πειραματικά αποτελέσματα δηλώνουν με σαφή τρόπο πως το τίμημα αυτό αξίζει να το πληρώσει κανείς, καθώς τα Συστήματα Συστάσεων που χρησιμοποιούν ως εργαλείο την Ενισχυτική Μάθηση είναι πολύ καλύτερα από τα παραδοσιακά Συστήματα Συστάσεων σε κάποιους τομείς εφαρμογών.	el
heal.abstract	Recommendation systems are used on almost every online platform, to promote items that may be of interest to the user, mainly for advertising / commercial purposes. However, with the increase of data flow on the internet and the possibilities offered by the Big Data science and technologies, the use of Machine Learning in the field of Recommendation Systems has become mandatory, in order to achieve more effective and accurate recommendations. There has been a lot of research on the application of Machine Learning in Recommendation Systems, but mainly with the use of Supervised Learning which until recently was considered the most ideal form of Machine Learning for assisting applications in the recommendation system industry. However, research effort in recent years has focused on the application of more complex methods, such as Reinforcement Learning, as it is more appropriate than other techniques in terms of managing large volumes of data. In thisthesis, the purpose wasto examine and present examples of applications of Reinforcement Learning in Recommendation Systems in various fields, such as e-commerce (Feed Streaming), Music, News and Ads. The technique of implementing the Reinforcement Learning algorithms has been analyzed, the facts why Reinforcement Learning was suitable for each case individually has been explained, the benefits were presented through the presentation of real experiments that have been conducted, and finally the difficulties arising from the implementation of Reinforcement Learning were pointed out. Obviously, when choosing Reinforcement Learning instead of simpler traditional techniques a cost in complexity and difficulty has to be paid. In this case, however, the experimental results clearly indicate that it is worth the cost, as the Recommendation Systems that use Reinforcement Learning as a tool are much better than the more traditional referral systems in several sectors.	en
heal.advisorName	Ασκούνης, Δημήτριος
heal.committeeMemberName	Ασκούνης, Δημήτριος
heal.committeeMemberName	Δούκας, Χρυσόστομος
heal.committeeMemberName	Ψαρράς, Ιωάννης
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false