Αυτοεποπτευόμενο συνελικτικό δίκτυο υπεργράφου πολλαπλών καναλιών για συστήματα προτάσεων

Κίτσος, Βασίλειος; Kitsos, Vasileios

dc.contributor.author	Κίτσος, Βασίλειος	el
dc.contributor.author	Kitsos, Vasileios	en
dc.date.accessioned	2025-01-28T12:16:42Z
dc.date.available	2025-01-28T12:16:42Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60999
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28695
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Μαθηματική Προτυποποίηση σε Σύγχρονες Τεχνολογίες και στα Χρηματοοικονομικά”	el
dc.rights	Default License
dc.subject	Συστήματα Προτάσεων	el
dc.subject	Νευρωνικά Δίκτυα Γράφων	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Υπεργράφοι	el
dc.subject	Recommender systems	en
dc.subject	GNN	en
dc.subject	CNN	en
dc.subject	Hypergraphs	en
dc.subject	Machine learning	en
dc.title	Αυτοεποπτευόμενο συνελικτικό δίκτυο υπεργράφου πολλαπλών καναλιών για συστήματα προτάσεων	el
heal.type	masterThesis
heal.classification	Μηχανική Μάθηση	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-08
heal.abstract	Τα συστήματα προτάσεων (Recommender Systems) μπορούμε να τα βρούμε στις μέρες μας σε μεγάλο πλήθος εφαρμογών και επηρεάζουν σημαντικά τη καθημερινότητα μας. Η μεγάλη έκρηξη της χρήσης των κοινωνικών δικτύων και ο μεγάλος όγκος πληροφοριών που παράγεται καθημερινά από τη χρήση τους, καθιστούν αδύνατο για κάποιον να μπορεί να χρησιμοποιήσει όλη αυτή την πληροφορία προς όφελος του χωρίς τη βοήθεια των αλγορίθμων μηχανικής μάθησης. Τα συστήματα προτάσεων έρχονται να καλύψουν αυτή την ανάγκη, τα οποία χρησιμοποιώντας αλγορίθμους μηχανικής μάθησης μπορούν να διαχειριστούν αυτό τον μεγάλο όγκο δεδομένων και είναι ιδιαίτερα χρήσιμα όταν ένας χρήστης πρέπει να επιλέξει ένα αντικείμενο από έναν δυνητικά συντριπτικό αριθμό ειδών που μπορεί να προσφέρει μια υπηρεσία. Οι προτάσεις αναφέρονται σε διάφορες διαδικασίες λήψης αποφάσεων, όπως ποιο προϊόν να αγοράσετε, ποια μουσική να ακούσετε ή ποιες ειδήσεις στο διαδίκτυο να διαβάσετε. Τα συστήματα συστάσεων χρησιμοποιούνται σε διάφορους τομείς, με κοινά αναγνωρισμένα παραδείγματα που λαμβάνουν τη μορφή δημιουργίας λιστών αναπαραγωγής για υπηρεσίες βίντεο και μουσικής, συστάσεων προϊόντων για ηλεκτρονικά καταστήματα ή συστάσεων περιεχομένου για πλατφόρμες μέσων κοινωνικής δικτύωσης και συστάσεων ανοιχτού περιεχομένου ιστού. Στην παρούσα διπλωματική εργασία θα επικεντρωθούμε στην αναπαραγωγή μιας σχετικής επιστημονικής δημοσίευσης [12] όπου προτείνεται μία νέα αρχιτεκτονική παραγωγής προτάσεων σε κοινωνικά δίκτυα. Τα περισσότερα υπάρχοντα μοντέλα προτάσεων εκμεταλλεύονται τις δυαδικές σχέσεις για να ανακαλύψουν πιθανές προτιμήσεις των χρηστών. Ωστόσο, οι πραγματικές αλληλεπιδράσεις μεταξύ των χρηστών είναι πολύπλοκες και οι σχέσεις μπορεί να είναι μεγάλου βαθμού πολυπλοκότητας. Το Αυτοεποπτευόμενο Συνελικτικό Δίκτυο Υπεργράφου Πολλαπλών Καναλιών (Self-Supervised Multi-Channel Hypergraph Convolutional Network) προσπαθεί να συμπεριλάβει και αυτή τη διάσταση στον υπολογισμό των προτάσεων και έτσι να βελτιώσει την ποιότητα των προτάσεων που δίνει στους χρήστες. Η συγκεκριμένη αρχιτεκτονική προσπαθεί να εκμεταλλευτεί τα πλεονεκτήματα που έχει η δομή του υπραγράφου, τα συνελικτικά νευρωνικά δίκτυα, οι αρχιτεκτονικές πολλών καναλιών σε ένα μοντέλο, ενώ παράλληλα εισάγει μία μέθοδο αυτοεποπτείας στο σύστημα. Συνδυάζοντας λοιπόν τα πλεονεκτήματα όλων αυτών, καταφέρνει να βελτιώσει την αποτελεσματικότητα των προτάσεων του συστήματος.	el
heal.advisorName	Παρασκευάς, Σπύρος	el
heal.committeeMemberName	Παρασκευάς, Σπύρος	el
heal.committeeMemberName	Λαμπροπούλου, Σοφία	el
heal.committeeMemberName	Προβατά, Αστέρω	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	74 σ.	el
heal.fullTextAvailability	false