Στην διπλωματική μιλάμε για τις επιπτώσεις που έχουν στις εταιρείες τα συστήματα υποδείξεων, και τα οφέλη που προσδίδουν. Μετά αναφέρουμε τις στρατηγικές των συστημάτων υποδείξεων όπως είναι η προσέγγιση φιλτραρίσματος περιεχομένου και η προσέγγιση συνεργατικού φιλτραρίσματος. Παρουσιάζουμε τη βασική προσέγγιση παραγοντοποίησης πίνακα την οποία θα χρησιμοποιήσουμε στα πειράματα μας.
Στη συνέχεια μιλάμε για τα συστήματα υποδείξεων βασιζόμενα στη μνήμη και αυτά βασιζόμενα στο μοντέλο, και τους τρόπους που χειρίζονται τα δεδομένα. Επίσης μιλάμε για τους χρήστες της κρύας αρχής και προτείνουμε το μοντέλο SocialMF. Αναφέρουμε και δίνουμε κάποιες πληροφορίες για τις πηγές των δεδομένων όπως είναι το Flixter και για τα δεδομένα που θα χρησιμοποιήσουμε στα πειράματα μας δηλαδή Epinions.
Στο τρίτο κεφάλαιο προσδιορίζουμε το Tuv του αλγόριθμου SocialMF. Στη συνέχεια υπολογίζουμε τα νέα Tuv, Tvu και Tvw του νέου τροποποιημένου αλγόριθμου τα οποία και θα χρησιμοποιήσουμε προκειμένου να εκτελέσουμε τα πειράματα. Επίσης εξετάζουμε κάποιες μετρικές κεντρικότητας.
Στη συνεχεια παραθέτουμε τα αποτελέσμτα των πειραμάτων για κάθε μετρική ξεχωριστά, των οποίων τις τιμές για ευκολία παίρνουμε έτοιμες απο αρχεία. Συγκρίνουμε τα αποτελέσματα, ώστε να δούμε ποιά μετρική είναι η βέλτιστη και δίνει το μικρότερο σφάλμα. Η κεντρικότητα ιδιοδιανύσματος δίνει το ελάχιστο σφάλμα.
Information technology (URL: http://skos.um.es/unescothes/C01995)
Recommender systems (Information filtering) (URL: http://id.loc.gov/authorities/subjects/sh2007003098)
University of the Aegena
