Context-aware συστήματα συστάσεων και μετρικές αξιολόγησής τους
| datacite.contributor.RelatedPerson | Αδαμίδης, Εμμανουήλ | |
| datacite.contributor.RelatedPerson | Χριστοδούλου, Σπυρίδων | |
| datacite.contributor.Supervisor | Καρακαπιλίδης, Νικόλαος | |
| dc.contributor.author | Αθαναηλίδης, Αναστάσιος | |
| dc.contributor.other | Athanailidis, Anastasios | |
| dc.date.accessioned | 2026-03-05T06:36:53Z | |
| dc.date.available | 2026-03-05T06:36:53Z | |
| dc.date.issued | 2026-03-04 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η παρούσα σπουδαστική εργασία εστιάζει στα Συστήματα Συστάσεων (RecommenderSystems), με έμφαση στα Context Aware Συστήματα Συστάσεων (Context-Aware Recommender Systems - CARS). Τα συστήματα αυτά εξελίσσονται ως κρίσιμα εργαλεία στην αντιμετώπιση του φαινομένου της πληροφοριακής υπερφόρτωσης, παρέχοντας εξατομικευμένες προτάσεις σε χρήστες βασισμένες στις προτιμήσεις τους αλλά και σε παραμέτρους όπως ο χρόνος, η τοποθεσία και η κοινωνική συνθήκη.Η εργασία αναλύει την ιστορική εξέλιξη και τη σημασία των συστημάτων συστάσεων εστιάζοντας σε κάποιες κατηγορίες συστημάτων συστάσεων: στο συνεργατικό φιλτράρισμα, σε υβριδικές προσεγγίσεις και ιδιαίτερα στα Context Aware Συστήματα. Δίνεται ιδιαίτερη έμφαση στη λειτουργική αρχιτεκτονική των συστημάτων και στην αξιοποίηση ρητής και άρρητης ανατροφοδότησης. Στη συνέχεια εξετάζονται σε βάθος μετρικές αξιολόγησης όπως το Μέσο Απόλυτο Σφάλμα (MAE), η Ακρίβεια (Precision), η Ανάκληση (Recall), οι οποίες είναι απαραίτητες για τη σύγκριση αλγορίθμων και τη στοχοθεσία βελτίωσης των μεθόδων σύστασης. Τέλος, η εργασία εξετάζει μια εφαρμογή σε ένα πραγματικό αρχείο δεδομένων (MobileFrappe), το οποίο εμπεριέχει πληροφορίες πλαισίου. Δοκιμάζονται και αξιολογούνται διαφορετικές προσεγγίσεις (Matrix Factorization, Item-Item Collaborative Filtering, Most Pop) και έπειτα προστίθενται δεδομένα πλαισίου (context) με τη μέθοδο Post Filtering. Τα αποτελέσματα για τις διάφορες μετρικές παρουσιάζονται και αξιολογούνται. | |
| dc.description.translatedabstract | This thesis focuses on Recommender Systems, with an emphasis on Context-Aware Recommender Systems (CARS). These systems are evolving as critical tools in addressing the phenomenon of information overload, providing personalized recommendations to users based on their preferences as well as parameters such as time, location, and social context. This paper analyzes the historical development and significance of recommendation systems, focusing on certain categories of recommendation systems: collaborative filtering, hybrid approaches, and, in particular, Context-Aware Systems. Particular emphasis is given to the functional architecture of the systems and the use of explicit and implicit feedback. Next, evaluation metrics such as Mean Absolute Error (MAE), Precision, and Recall are examined in depth, which are necessary for comparing algorithms and setting targets for improving recommendation methods. Finally, the paper examines an application to a real data set (Mobile Frappe), which contains contextual information. Different approaches (Matrix Factorization, Item-Item Collaborative Filtering, Most Pop) are tested and evaluated, and then context data is added using the Post Filtering method. The results for the various metrics are presented and evaluated. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31620 | |
| dc.language.iso | el | |
| dc.subject | Συστήματα συστάσεων | |
| dc.subject | Context aware συστήματα συστάσεων | |
| dc.subject | Συνεργατικό φιλτράρισμα | |
| dc.subject | Υβριδικά συστήματα συστάσεων | |
| dc.subject | Μετρικές αξιολόγησης | |
| dc.subject.alternative | Recommender systems | |
| dc.subject.alternative | Context aware recommender systems (cars) | |
| dc.subject.alternative | Collaborative filtering | |
| dc.subject.alternative | Hybrid recommender systems | |
| dc.subject.alternative | Mobile frappe dataset | |
| dc.subject.alternative | Evaluation metrics | |
| dc.title | Context-aware συστήματα συστάσεων και μετρικές αξιολόγησής τους | |
| dc.title.alternative | Context-aware recommender systems and their evaluation metrics |