Please use this identifier to cite or link to this item:
Title: Development of model-based recommender systems using classification algorithms
Other Titles: Ανάπτυξη συστημάτων συστάσεων βασισμένων σε μοντέλα με αλγορίθμους ταξινόμησης
Authors: Χαλίλ, Ζωή
Keywords: Recommender systems
Machine learning
Classification algorithms
Hotel recommendations
Keywords (translated): Συστήματα συστάσεων
Μηχανική μάθηση
Αλγόριθμοι κατηγοριοποίησης
Συστάσεις ξενοδοχείων
Abstract: Recommender Systems were developed to address the information overload problem resulted from the rapidly increasing use of the Internet, in order to meet the individual needs of each user. Although having a wide scope of application, they are mainly used in the field of e-commerce to provide the user with the opportunity to easily find the items that interest him the most, which benefits both the companies and the customers. The main objective of this thesis is to develop models, based on machine learning algorithms, that generate recommendations. At first, the theoretical background of Recommender Systems is described and the most well-known approaches for generating personalized recommendations are presented. The basic data mining procedures used in this context are analyzed and then applied to our own dataset, which consists of user ratings for various hotel units. The experimental analysis is divided into two cases of recommendations. In the first one, the goal is to predict the rating a user would give to a hotel, and in accordance we decide whether a recommendation of the given hotel will be made or not. In the second one, we try to directly predict the hotel that a user will visit. A detailed approach on how to address the recommendation problem in either case, along with the arising challenges are presented. For the development of these models, supervised learning techniques are proposed and more specifically classification algorithms are engaged. Finally, the predictions of each classification algorithm, for the two cases, are evaluated and the final conclusions are drawn, followed by suggestions for possible modifications in future work.
Abstract (translated): Τα Συστήματα Συστάσεων αναπτύχθηκαν για την αξιοποίηση του μεγάλου όγκου πληροφορίας που προέκυψε από τη ραγδαία αύξηση της χρήσης του διαδικτύου, με στόχο την κάλυψη των εξατομικευμένων αναγκών κάθε χρήστη. Έχουν ευρύ πεδίο εφαρμογής, αν και αξιοποιούνται κυρίως στον τομέα του ηλεκτρονικού εμπορίου προς όφελος τόσο της επιχείρησης όσο και των πελατών, αφού παρέχουν στον εκάστοτε χρήστη τη δυνατότητα να βρει εύκολα τα αντικείμενα που τον ενδιαφέρουν. Κύριος στόχος της παρούσας εργασίας είναι η ανάπτυξη μοντέλων βασισμένων σε αλγορίθμους μηχανικής μάθησης, με σκοπό την παραγωγή συστάσεων. Αρχικά περιγράφεται το θεωρητικό υπόβαθρο των Συστημάτων Συστάσεων και αναφέρονται οι πιο γνωστές προσεγγίσεις παραγωγής εξατομικευμένων συστάσεων. Έπειτα, αναλύονται οι βασικές διαδικασίες εξόρυξης δεδομένων που χρησιμοποιούνται στο πλαίσιο αυτό και στη συνέχεια εφαρμόζονται στα δικά μας δεδομένα, που αφορούν αξιολογήσεις χρηστών σε διάφορες ξενοδοχειακές μονάδες. Η πειραματική ανάλυση χωρίζεται σε δύο περιπτώσεις συστάσεων. Στην πρώτη, στόχος είναι να προβλέψουμε τη βαθμολογία που θα έδινε ένας χρήστης σε κάποιο ξενοδοχείο και αναλόγως το αποτέλεσμα αποφασίζουμε αν θα γίνει η σύσταση ή όχι. Στη δεύτερη, στόχος είναι να προβλέψουμε απευθείας σε ποιο ξενοδοχείο θα πάει ο χρήστης. Παρουσιάζεται μια λεπτομερής προσέγγιση για τον τρόπο αντιμετώπισης του προβλήματος συστάσεων σε κάθε περίπτωση, και διερευνώνται οι αναδυόμενες προκλήσεις. Η προσέγγιση που ταιριάζει καλύτερα στη μοντελοποίηση του συγκεκριμένου προβλήματος, είναι η κατηγοριοποίηση. Στη συνέχεια, αξιολογούνται οι προβλέψεις κάθε αλγορίθμου κατηγοριοποίησης για τις δύο περιπτώσεις, προκειμένου να επιλέξουμε τον καλύτερο που θα χρησιμοποιηθεί ως μοντέλο του Σύστηματος Συστάσεων. Τέλος, συνάγονται τα τελικά συμπεράσματα μαζί με προτάσεις για πιθανές μελλοντικές τροποποιήσεις.
Appears in Collections:Τμήμα Μηχανολόγων και Αεροναυπηγών Μηχανικ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
DT_M_Chalil_Zoi_6672.pdf2.19 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.