Αυτόματη σύσταση ταινιών με βάση την περίληψή τους

Βλάσσης, Εμμανουήλ; Vlassis, Emmanouil

dc.contributor.author	Βλάσσης, Εμμανουήλ	el
dc.contributor.author	Vlassis, Emmanouil	en
dc.date.accessioned	2024-07-17T06:56:38Z
dc.date.available	2024-07-17T06:56:38Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59925
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27621
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Συστήματα συστάσεων	el
dc.subject	Επεξεργασία φυσικής γλώσσας	el
dc.subject	Συνεργατικό φιλτράρισμα	el
dc.subject	Μεγάλα γλωσσικά μοντέλα	el
dc.subject	Μάθηση με λίγα δείγματα	el
dc.subject	Recommender systems	en
dc.subject	Natural language processing	en
dc.subject	Collaborative filtering	en
dc.subject	Few-shot learning	en
dc.subject	Large Language Models	en
dc.title	Αυτόματη σύσταση ταινιών με βάση την περίληψή τους	el
dc.title	Automated movie recommendation based on synopsis information	en
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Artificial Intelligence	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-03-26
heal.abstract	Το αντικείμενο της σύστασης ταινιών έχει συγκεντρώσει πολλή προσοχή από την επιστημονική κοινότητα, ιδιαίτερα στη σύγχρονη ψηφιακή εποχή όπου βασιζόμαστε όλο και περισσότερο σε εργαλεία για τη διαδικασία λήψης αποφάσεων. Τα σύγχρονα συστήματα συστάσεων χρησιμοποιούν κυρίως μεθόδους συνεργατικού φιλτραρίσματος, χωρίς να αξιοποιούν την πλούσια πληροφορία που είναι διαθέσιμη στις ταινίες. Η συνεχής βελτίωση των Μεγάλων Μοντέλων Γλώσσας (LLMs) έχει επιτρέψει την πιο εμπεριστατωμένη ανάλυση κειμένου, δίνοντας μας νέες δυνατότητες. Αυτή η διπλωματική εργασία διερευνά τη χρήση συγχρόνων τεχνικών Επεξεργασίας Φυσικής Γλώσσας (NLP) για την εξαγωγή χρήσιμων πληροφοριών από περιλήψεις ταινιών, με στόχο τη βελτίωση των συστημάτων συστάσεων. Για τον λόγο αυτό, εξετάζουμε τις διάφορες μεθόδους στη σύσταση αντικειμένων, και σχεδιάζουμε συστήματα που μπορούν να χρησιμοποιήσουν την πληροφορία που εμπεριέχεται στις συνόψεις. Επιπλέον, κατασκευάσαμε ένα εξειδικευμένο σύνολο δεδομένων, προκειμένου να διευκολυνθεί η διεξαγωγή πειραμάτων που αξιολογούν την επίδραση των περιλήψεων ταινιών στη διαδικασία της σύστασης. Παρατηρήσαμε μια μικρή αλλά σημαντική βελτίωση στην απόδοση τόσο των συστημάτων βασισμένων στο περιεχόμενο όσο και των υβριδικών συστημάτων όταν ενσωματώνονται περιλήψεις. Αυτά τα αποτελέσματα τονίζουν τις προοπτικές που έχουν οι σύγχρονες τεχνικές ανάλυσης κειμένου, ιδιαίτερα σε μοντέλα μάθησης με λίγα δείγματα (few-shot learning), όπου κλιμάκωση των μοντέλων θα μπορούσε να βελτιώσει περαιτέρω τις μετρικές. H εργασία δημιουργεί μια βάση για μελλοντικές έρευνες στην αξιοποίηση κειμενικής πληροφορίας για τη βελτίωση των συστημάτων σύστασης ταινιών.	el
heal.abstract	The domain of movie recommendation has garnered significant attention from the scientific community, especially in the digital age where we increasingly rely on tools in the decision-making processes. Modern recommendation systems predominantly use collaborative filtering methods, which do not utilize the rich textual information available in movies. The development of ever advancing Large Language Models (LLMs) has enabled us to analyze text more comprehensively. This thesis investigates the integration of modern Natural Language Processing (NLP) techniques to extract valuable insights from movie synopses, aiming to improve the capabilities of existing recommendation frameworks. By examining the various recommendation methods, we design systems that can use the nuanced information within synopses. A specialized dataset is constructed to facilitate comprehensive experiments that assess the impact of movie plot information on the recommendation process. The empirical findings indicate a modest yet significant enhancement in the performance of both content-based and hybrid recommendation systems when synopses are incorporated. These results underscore the potential of employing advanced text analysis techniques, particularly in few-shot learning models where further scaling could amplify the improvements we observed. Our work lays a foundational groundwork for future research into the utilization of textual data for refined movie recommendation, making a step forward in the advancement of personalized recommendation systems.	en
heal.advisorName	Στάμου, Γεώργιος	el
heal.advisorName	Stamou, Georgios	en
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Kollias, Stefanos	en
heal.committeeMemberName	Voulodimos, Athanasios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	81 σ.	el
heal.fullTextAvailability	false