Ένα σύστημα συστάσεων είναι ένα λογισμικό που αναλύει τη συμπεριφορά των χρηστών του και προσπαθεί να συστήσει προϊόντα σχετικά με τα ενδιαφέροντα τους. Κατά το πέρασμα των χρόνων εισήχθησαν πολλές διαφορετικές τεχνικές σύστασης. Μια από αυτές ονομάζεται συνεργατικό φιλτράρισμα βάσει γειτονιάς. Αυτή η τεχνική είναι μία από τις πρώτες που αναπτύχθηκαν στο πλαίσιο των συστημάτων συστάσεων. Όπως σε κάθε τεχνική, έτσι και το συνεργατικό φιλτράρισμα έχει τα δικά του πλεονεκτήματα και μειονεκτήματα. Το κύριο μειονέκτημα του είναι ότι χρειάζεται πολλές βαθμολογίες από τους χρήστες πριν να μπορέσει να δημιουργήσει αρκετές διασυνδέσεις για να κατανοήσει τα ενδιαφέροντα των χρηστών και να προτείνει προϊόντα.
Σε αυτή τη διπλωματική εργασία θα εισαχθεί μια αναδρομική προσέγγιση που θα προσπαθήσει να ξεπεράσει τους περιορισμούς του συνηθισμένου γειτονικού φιλτραρίσματος και να δημιουργήσει πε-
ρισσότερες προβλέψεις, που θα έχει ως αποτέλεσμα καλύτερες συστάσεις. Ως μελέτη περίπτωσης, ο αλγόριθμος αναδρομικών πλησιέστερων γειτόνων αξιολογήθηκε στο σύνολο δεδομένων Epinions με μια ποικιλία μετρήσεων ομοιότητας όπως Ομοιότητα συνημιτόνου, Συντελεστής Συσχέτισης Pearson κ.λπ. και με διαφορετικές μετρικές σφαλμάτων RMSE, MAE, MAUE, RMSUE με σκοπό να δοκιμασθεί
η απόδοσή του. Τα αποτελέσματα έδειξαν ότι υπήρξε σημαντική αύξηση του αριθμού των προβλέψεων αξιολόγησης και ταυτόχρονα η συμπερίληψη αυτών των νέων προβλέψεων αξιολόγησης στις μετρικές σφάλματος έδειξε ότι το συνολικό σφάλμα του μοντέλου αυξήθηκε ελάχιστα.
A recommender system is a software that analyses the behavior of its users and tries to recommend products relevant to their interests. Through the years a lot of different recommendation techniques have been introduced. One of them is called neighborhood-based collaborative filtering. This technique is one of the earliest developed in the context of recommender systems. As in every
technique, collaborative filtering has its own advantages and disadvantages.
Its main disadvantage is that it needs lots of user ratings before it can form enough relations to understand users interests and recommend products.
In this thesis, a recursive approach will be introduced that tries to overcome the limitations of the conventional neighborhood-based collaborative
filtering and generate more predictions, resulting in better recommendations. As a case study the recursive nearest neighbors algorithm was evaluated in the Epinions data set, with a variety of similarity metrics such as Cosine Similarity, Pearson Correlation Coefficient, etc and with different error metrics RMSE, MAE, MAUE, RMSUE in order to test its performance. The results showed that there has been a significant increase in the number of rating predictions and at the same time the inclusion of these new rating predictions in the error metrics resulted in only a slight increase in the total error of the model.
Recommender systems (Information filtering) (URL: http://id.loc.gov/authorities/subjects/sh2007003098)
University of the Aegena
