Show simple item record

dc.contributor.advisorΧατζηλάκος, Θανάσης
dc.contributor.authorΝεοφύτου, Νεόφυτος
dc.contributor.otherNeophytou, Neophytos
dc.coverage.spatialΚύπροςel_GR
dc.date.accessioned2015-02-03
dc.date.accessioned2015-02-03T08:50:14Z
dc.date.available2015-02-03T08:50:14Z
dc.date.copyright2014-12
dc.date.issued2015-02-03
dc.identifier.otherΠΛΗ/2014/00154el_GR
dc.identifier.urihttp://hdl.handle.net/11128/1761
dc.descriptionΠεριέχει βιβλιογραφικές παραπομπές.el_GR
dc.description.abstractΤα συστήματα συστάσεων στο διαδίκτυο, έχουν ως στόχο τη συλλογή των πληροφοριών, που θα αποτυπώσουν τις προτιμήσεις του εκάστοτε χρήστη και θα του προσφέρουν την ιδανικότερη για αυτόν σύσταση. Μελετήθηκε ο τομέας των συστημάτων συστάσεων στην εκπαίδευση. Κάθε σύστημα σύστασης στηρίζεται σε έναν αλγόριθμο, ο οποίος λαμβάνει ως είσοδο, δεδομένα και προτιμήσεις του χρήστη και παράγει την ιδανικότερη για αυτόν σύσταση. Αυτό που προσπαθεί να επιτύχει το κάθε σύστημα σύστασης, είναι η σειρά των αποτελεσμάτων που θα παράξει, να έχει άμεση σχέση και συνάφεια, με αυτό που ζήτησε ο χρήστης. Η παρούσα διπλωματική εργασία επιχειρεί μια εμβάθυνση στο τομέα των συστάσεων, μέσα από βιβλιογραφική ανασκόπηση και παράλληλα γίνεται μία προσπάθεια παρουσίασης, των τεχνικών που χρησιμοποιούνται για να συσταθούν τα συστήματα, στα οποία αναπτύσσονται. Γίνεται μια ανάλυση τριών κατηγοριών αλγορίθμων συστάσεων, των αλγορίθμων συστάσεων που εστιάζουν στο περιεχόμενο, των αλγορίθμων συνεργατικών φίλτρων και των αλγορίθμων συστάσεων ανάλυσης γράφων. Παρουσιάζεται μια πλήρης περιγραφή των εκπαιδευτικών συνόλων δεδομένων, στα οποία εφαρμόζονται οι αλγορίθμοι συστάσεων. Μελετήθηκε η μορφή τους καθώς και ο τρόπος με τον οποίο συλλέγονται οι πληροφορίες που τα απαρτίζουν. Αναλύθηκαν οι μέθοδοι με τις οποίες αυτά διαχωρίζονται και διαιρούνται σε κλάσεις και στην συνέχεια πως επεξεργάζονται. Χρησιμοποιήθηκε το λογισμικό recommender101, για την εφαρμογή των αλγορίθμων στα σύνολα δεδομένων MovieLens 100K, 1M, 10M, και για τη εξαγωγή των αποτελεσμάτων. Οι αλγόριθμοι που επιλέχθηκαν ώστε να αξιολογηθούν είναι ο Κ-ΝΝ, Slope One, Funk SVD, BPRMF Naïve Bayes. Η εκτέλεση τους, σε διαφορετικά σύνολα δεδομένων, η δομή και το περιεχόμενο των οποίων περιγράφεται αναλυτικά στην εργασία, απέδειξε ότι οι γράφοι ανήκουν στην κατηγορία εκείνη των αλγορίθμων που σημειώνουν τα μεγαλύτερα ποσοστά. Παρουσίασαν διακυμάνσεις στην επίδοσή τους γεγονός το οποίο οφείλεται στα ιδιαίτερα χαρακτηριστικά των συνόλων δεδομένων. Αξιολογήθηκαν διάφορες μετρικές, από τα αποτελέσματα του κάθε αλγορίθμου, πάνω σε διαφορετικά σύνολα δεδομένων, για να γίνουν γνωστές οι συνθήκες υπό τις οποίες λειτουργούν καλύτερα.el_GR
dc.format.extentviii, 117 σ. πιν., 30 εκ.el_GR
dc.languagegrel_GR
dc.language.isogrel_GR
dc.rightsinfo:eu-repo/semantics/closedAccessel_GR
dc.subjectΣυστήματα συστάσεωνel_GR
dc.subjectRecommender systemsel_GR
dc.subjectΣυστήματα συστάσεων -- Διαδίκτυοel_GR
dc.subjectRecommender systems -- Internetel_GR
dc.titleΕφαρμογή υπαρχόντων αλγορίθμων συστάσεων, σε εκπαιδευτικά σύνολα δεδομένων, απο αποθετήρια μαθησιακών αντικειμένωνel_GR
dc.typeΜεταπτυχιακή Διατριβήel_GR
dc.description.translatedabstractRecommender systems came up having as main purpose the collection of all the available information in order to provide the user with the best suitable for him recommendation. Beyond all existing applications, the area of recommender systems seems to be invading the world of education. As described above, each and any of the recommender systems use an efficient algorithm in order to gather all the necessary information about the user and offer him as a result the most effective and appropriate solution regarding his research. The outcome of the algorithm should produce an immediate connection among user and suggestion in order for it to cover completely his necessity. The present thesis begins with a description of the above described field as well as with what it represents. There was made a serious effort in order clarify the nature of recommender systems in combination with their present route, their acceptance from the users and their future. Through a thorough literature review there was made a serious attempt of deepening in this specific area. Attempt an analysis of three classes of recommendations algorithms, “Content-Based Recommender Algorithms”, “Collaborative Filtering Algorithms” and “Graph-Based Recommender Algorithms”. In addition to this, the thesis contains a thorough research in the world of the datasets that basically consist the main tool of the recommender systems. Topics such as the formulation of dataset, the information included as well as the way that the information becomes part of a dataset were extensively investigated and presented. Furthermore, the present thesis tried to analyze all methods used in datasets in order to separate them and divide them into classes. Software such as “recommender101” was used to apply a number of different algorithms over different datasets, like MovieLens 100K, 1M and 100M. The algorithms were chosen to be assessed are K-Nearest Neighbor, Naive Bayes (BPRMF), Funk SVD and Slope One. Datasets used were completely different in structure and content as their use had as main purpose the evaluation of the algorithms. Graphs proved out, to be the most reliable source, as they scored the highest percentages, in terms of prediction. Fluctuations their performance which is due to the specific characteristics of the data sets. Evaluated the results of each algorithm, on most important metrics, through different data sets, to be known the conditions under which they work best.el_GR
dc.format.typepdfel_GR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record