Νευρωνικά δίκτυα γράφων γνώσης σε συστήματα συστάσεων

Καραμαργιού, Αικατερίνη; Karamargiou, Aikaterini

dc.contributor.author	Καραμαργιού, Αικατερίνη	el
dc.contributor.author	Karamargiou, Aikaterini	en
dc.date.accessioned	2025-03-28T13:33:55Z
dc.date.available	2025-03-28T13:33:55Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61535
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29231
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	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Graphs	en
dc.subject	Recommender Systems	en
dc.subject	Graph Neural Networks	en
dc.subject	Neural Networks	en
dc.subject	Γράφοι	el
dc.subject	Συστήματα Συστάσεων	el
dc.subject	Νευρωνικά Δίκτυα Γράφων	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Γράφοι Γνώσης	el
dc.subject	Knowledge Graphs	en
dc.title	Νευρωνικά δίκτυα γράφων γνώσης σε συστήματα συστάσεων	el
dc.title	Graph Neural Networks in Knowledge-Based Recommendation Systems	en
heal.type	masterThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-08
heal.abstract	Οι αρχιτεκτονικές Νευρωνικών ∆ικτύων Γράφων (Graph Neural Network - GNN) αποτελούν μια ανα- δυόμενη τεχνολογία που χρησιμοποιείται όλο και περισσότερο σε συστήματα συστάσεων. Πρακτικές αρχιτεκτονικές χρησιμοποιούν δημοφιλείς έννοιες από τη ϐιβλιογραφία με μεγάλη επιτυχία, ωστόσο υ- πάρχει μικρή κατανόηση σχετικά με το ποιες από αυτές τις πρακτικές συνεισφέρουν ουσιαστικά στην παραγωγή συστάσεων υψηλής ποιότητας, ειδικά όταν συστήματα συστάσεων προσπαθούν να εκμεταλ- λευτούν την πληροφορία που περιέχεται σε γράφους γνώσης. Για να αποτραπεί η τεχνολογική διόγκωση νέων ερευνώμενων και αναπτυσσόμενων αρχιτεκτονικών, σε αυτή τη διπλωματική εργασία ανασκοπείται το ϑεωρητικό υπόβαθρο που απαιτείται για την κατανόηση των Νευρωνικών ∆ικτύων Γράφων και εκτελεί- ται πειραματική αξιολόγηση της χρησιμότητας των πρακτικών της επανακανονικοποίησης, εξομάλυνσης, και απόρριψης (dropout) που έχουν προταθεί στη ϐιβλιογραφία για τη ϐελτίωση της ποιότητας συστάσε- ων. Επιπλέον γίνεται εκτενής ανασκόπηση της εργασίας των Wang κ.ά. [1] πάνω στα Νευρωνικά ∆ίκτυα Γράφων Γνώσης με κανονικοποίηση της εξομάλυνσης ετικέτών για συστήματα συστάσεων (Knowledge- aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems) η οποία ενέπνευσε και την παρούσα μελέτη. Μέσω στατιστικά αυστηρής ανάλυσης σε πειράματα πάνω σε δύο σύνολα δεδομένων, εντοπίζουμε την επανακανονικοποίηση ως το κύριο στοιχείο των αρχιτεκτονικών Νευρωνικών ∆ικτύων Γράφων που πρέπει να υιοθετηθεί κατά τη δημιουργία νέων συστημάτων. Αντιθέτως, οι πρακτικές της εξομάλυνσης ετικετών και της απόρριψης δεν εισάγουν απαραίτητα ϐελτιώσεις και άρα η χρησιμότητά τους πρέπει να αξιολογείται εκ νέου για κάθε σύστημα συστάσεων.	el
heal.abstract	Graph Neural Network (GNN) architectures are an emerging technology that is starting to be used in more and more recommender systems. Practical architectures employ popular literature con- cepts to great success, but there is little understanding of which of these practices substantially contribute to high-quality recommendations, especially when recommender systems attempt to lever- age information contained in knowledge graphs. To prevent technological bloat in newly researched and deployed architectures, in this diploma thesis we provide an overview of the theoretical back- ground needed to understand GNNs, and conduct an experimental evaluation of the practices of renormalization, smoothing, and dropout that have been suggested in the literature for the improve- ment of recommendation quality. We also conduct an extensive review of the work of Wang et al. [1] on Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recom- mender Systems, which inspired the present study. Through statistically rigorous analysis across experiments over two recommendation datasets, we identify the renormalization trick as the key con- tributor of GNN architectures that should be prioritized during the creation of new systems. On the other hand, smoothing and dropout do not necessarily introduce benefits and their usefulness should be assessed anew for each recommender system.	en
heal.advisorName	Παρασκευάς, Σπυρίδων	el
heal.committeeMemberName	Προβατά, Αστέρω	el
heal.committeeMemberName	Λαμπροπούλου, Σοφία	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	59 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false