Ο σκοπός της παρούσας διπλωματικής εργασίας ήταν ο σχεδιασμός και η υλοποίηση ενός αλγορίθμου συστάσεων για διαδικτυακά συστήματα πραγματικής σύνδεσης, ο οποίος θα επεκτείνει τις υπάρχουσες μεθόδους εισάγοντας τεχνικές ενσωμάτωσης δικτύων στον υπερβολικό χώρο. Ο λόγος για την εισαγωγή των τεχνικών αυτών είναι ότι παρόμοιες τεχνικές εφαρμόζονται με πολύ μεγάλη επιτυχία πάνω σε περιβάλλοντα Μεγάλων Δεδομένων (big data environments) ή σε σύνθετα διασυνδεδεμένα συστήματα (complex network systems).
Συγκεκριμένα, στην παρούσα διπλωματική εργασία σχεδιάστηκε, υλοποιήθηκε και αξιολογήθηκε ένας αλγόριθμος συστάσεων βασισμένος στην ενσωμάτωση γράφων στον υπερβολικό χώρο και στην άπληστη δρομολόγηση, και εφαρμόστηκε για την επίλυση μια σειράς διαφορετικών προβλημάτων που εμπίπτουν στη γενικότερη κατηγορία των συστάσεων. Επίσης, μέσα από την αξιολόγηση έγιναν φανερές οι πιο κρίσιμες παράμετροι του αλγορίθμου, όσον αφορά την επιτυχή παραγωγή συστάσεων για τους χρήστες.
Είναι γεγονός ότι τα Μεγάλα Δεδομένα ήδη μας κατακλύζουν, και τα σύνθετα συστήματα, όπως τα κοινωνικά δίκτυα πραγματικής σύνδεσης (online), έχουν γίνει αναπόσπαστο μέρος της ζωής μας. Η μέθοδος που εισάγει η παρούσα εργασία έρχεται να καταδείξει τη χρησιμότητα των τεχνικών ενσωμάτωσης δικτύων στον υπερβολικό χώρο και της άπληστης δρομολόγησης τόσο για την επίλυση προβλημάτων συστάσεων, όσο και γενικότερα προβλημάτων Μεγάλων Δεδομένων ή σύνθετων συστημάτων. Παράλληλα, ανοίγει το δρόμο για περαιτέρω έρευνα προς την αποδοτική επίλυση παρόμοιων προβλημάτων.
(EL)
The scope of this thesis was the design and implementation of a recommendation algorithm for online web systems, which would extend the existent methodology by introducing hyperbolic network embedding techniques. The reason for introducing such techniques is that similar techniques apply in Big Data environments or in complex network systems with great success.
More specifically, in this work, a recommendation algorithm based on hyperbolic graph embedding and greedy routing was designed, implemented and evaluated, as well as used to solve a series of different problems that belong to the more general category of recommendations. Moreover, through the evaluation, it has been clear which parameters of the algorithm are the most crucial ones, as far as the generation of successful recommendations for the users is concerned.
It is true that Big Data are everywhere around us and complex systems, like online social networks, have become part of our lives. The method introduced in this thesis comes to manifest the usefulness of network embedding techniques in the hyperbolic space and of greedy routing, not only for solving a recommendation problem, but also for solving Big Data or complex systems problems in general. In parallel, it demonstrates several directions that future research may be conducted for finding solutions on similar problems efficiently.
(EN)
National Technical University of Athens
