Η παρούσα διπλωματική εργασία, πραγματεύεται δύο βασικούς αλγόριθμους παραγοντοποίησης πινάκων που χρησιμοποιούνται στα συστήματα υποδείξεων. Παράλληλα, δεδομένα από την ιστοσελίδα Epinions.com για 40163 χρήστες και 139738 αντικείμενα, μελετώνται και αναλύονται στατιστικά σε χαρακτηριστικές κλάσεις. Εξετάζεται η απόδοση των παραγοντοποιήσεων των πινάκων και τα αποτελέσματα των προβλέψεων συσχετίζονται με τις κλάσεις των χρηστών και των αντικειμένων.
In this thesis we study two basic matrix factorization techniques used in recommender systems, namely batch and stochastic gradient descent. Furthermore, data from Epinions.com, consisting of 40163 users and 139738 items is studied and statistically analyzed into its characteristic classes (i.e. users with only
high ratings, items with only low ratings e.t.c. ). Matrix factorization performance is also examined
and prediction accuracy is associated with user and item classes.
University of the Aegena
