A bayesian personalized recommendation system

Babas Konstantinos

URI	http://purl.tuc.gr/dl/dias/216F85B4-8646-46B7-A517-CC731CAF87A7	-
Identifier	https://doi.org/10.26233/heallink.tuc.18391	-
Language	en	-
Extent	98 σελίδες	el
Extent	12,5 megabytes	el
Title	A bayesian personalized recommendation system	en
Title	Ένα μπαεσιανό σύστημα εξατομικευμένων προτάσεων	el
Creator	Babas Konstantinos	en
Creator	Μπαμπας Κωνσταντινος	el
Contributor [Thesis Supervisor]	Chalkiadakis Georgios	en
Contributor [Thesis Supervisor]	Χαλκιαδακης Γεωργιος	el
Contributor [Committee Member]	Lagoudakis Michael	en
Contributor [Committee Member]	Λαγουδακης Μιχαηλ	el
Contributor [Committee Member]	Deligiannakis Antonios	en
Contributor [Committee Member]	Δεληγιαννακης Αντωνιος	el
Publisher	Πολυτεχνείο Κρήτης	el
Publisher	Technical University of Crete	en
Academic Unit	Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών	el
Description	A thesis submitted in fulfilment of the requirements for the degree of Master of Science of Electronic & Computer Engineering in the School of Electronic & Computer Engineering.	en
Description	Μια εργασία που υποβλήθηκε για την εκπλήρωση των απαιτήσεων απόκτησης του Μεταπτυχιακού Διπλώματος Ειδίκευσης στη Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών.	el
Content Summary	In this research, we propose a novel Bayesian approach for personalized recommendations. We succeed in providing recommendations that are entirely personalized, based on a user’s past item “consumptions”, building a representative user model which reflects agent’s corresponding beliefs. Having a set of items, our agent has to select the one which better matches her beliefs about a specific user, in order to recommend it and receive the corresponding reward. In our approach, we model both user preferences and items under recommendation as multivariate Gaussian distributions; and make use of Normal-Inverse Wishart priors to model the recommendation agent beliefs about user types. We interpret user ratings in an innovative way, using them to guide a Bayesian updating process that helps us both capture a user’s current mood, and maintain her overall user type. We produced several variants of our approach, and applied them in the movie recommendations domain, evaluating them on data from the MovieLens dataset. We developed a generic & domain independent system, able to face the scalability challenge and able to capture user preferences (long-term and short-term). Moreover, we dealt with the exploration vs exploitation dilemma in this domain, via the application of various exploration algorithms (e.g., VPI exploration). Ours is a completely personalized approach, which exploits Bayesian Reinforcement Learning in order to recommend an item or a top-N group of items, without the need of ratings prediction. We do not employ a Collaborative Filtering or Content-based or Preference Elicitation technique, but we are still able to provide successful recommendations. Furthermore, we tackle the famous “cold-start” problem via the use of Bayesian and VPI explorations. Our algorithms are shown to be competitive against a state-of-the-art method, which nevertheless requires a minimum set of ratings from various users to provide recommendations --- unlike our entirely personalized approach.	en
Content Summary	Στη συγκεκριμένη έρευνα προτείνουμε ένα καινοτόμο Μπαεσιανό Σύστημα Προτάσεων. Το σύστημά μας παρέχει εντελώς εξατομικευμένες προτάσεις βασιζόμενο στις παλαιότερες “καταναλώσεις” αντικειμένων του χρήστη, δομώντας ένα αντιπροσωπευτικό μοντέλο χρήστη το οποίο αντικατοπτρίζει τις πεποιθήσεις του πράκτορα. Έχοντας ένα σύνολο αντικειμένων, ο πράκτοράς μας πρέπει να επιλέξει εκείνο που ταιριάζει περισσότερο στις πεποιθήσεις του σχετικά με ένα συγκεκριμένο χρήστη, προκειμένου να του το προτείνει και να λάβει την αντίστοιχη ανταμοιβή. Στην προσέγγισή μας, μοντελοποιούμε τις προτιμήσεις του χρήστη και τα αντικείμενα προς πρόταση ως πολυδιάστατες Gaussian κατανομές, και χρησιμοποιούμε Normal-Inverse Wishart priors για να μοντελοποιήσουμε τις πεποιθήσεις του πράκτορα σχετικά με τον τύπο του χρήστη. Ερμηνεύουμε τις βαθμολογίες του χρήστη με καινοτόμο τρόπο χρησιμοποιώντας τις για να καθοδηγήσουμε το Bayesian updating, που μας βοηθά να ανιχνεύσουμε την τρέχουσα διάθεση του χρήστη και να διατηρήσουμε το γενικό τύπο του. Επίσης, δημιουργήσαμε διάφορες παραλλαγές της προσέγγισής μας και τις εφαρμόσαμε στον τομέα της πρότασης ταινιών, αξιολογώντας τις σε δεδομένα που προέρχονται από το MovieLens. Με τη συγκεκριμένη εργασία, καταφέραμε να διαχειριστούμε τις προκλήσεις που προκύπτουν σε αυτόν τον τομέα. Έτσι, καταφέραμε να αναπτύξουμε ένα γενικό, ανεξαρτήτου τομέα, σύστημα, το οποίο αντιμετωπίζει εύκολα την πρόκληση της επεκτασιμότητας και είναι ικανό να αιχμαλωτίσει τις προτιμήσεις του χρήστη (μακροπρόθεσμες και βραχυπρόθεσμες). ακόμη, διαχειριστήκαμε επιτυχώς το δίλημμα εξερεύνηση έναντι εκμετάλλευσης. εφαρμόζοντας διάφορους αλγορίθμους εξερεύνησης (πχ., εξερεύνηση VPI). Αναφερόμενοι στη συνεισφορά αυτής της έρευνας, η συγκεκριμένη είναι μια αποκλειστικά εξατομικευμένη προσέγγιση, η οποία αξιοποιεί Μπαεσιανή Ενισχυτική Μάθηση προκειμένου να προτείνει ένα αντικείμενο ή ένα top-N σύνολο αντικειμένων, χωρίς την ανάγκη πρόβλεψης βαθμολογιών. Δεν χρησιμοποιούμε μία Collaborative Filtering ή Content-based ή Preference Elicitation τεχνική, όμως είμαστε ικανοί να παρέχουμε επιτυχημένες προτάσεις. Επιπλέον, αντιμετωπίσαμε το περίφημο πρόβλημα “cold-start” μέσω της χρήστης Μπαεσιανής εξερεύνησης και VPI. Τέλος, ο αλγόριθμός μας φαίνεται πως είναι ανταγωνίσιμος απέναντι σε μια νέα, εξελιγμένη μέθοδο, η οποία παρ’ όλα αυτά χρειάζεται ένα ελάχιστο σύνολο βαθμολογιών από διαφόρους χρήστες προκειμένου να παρέχει προτάσεις --- σε αντίθεση με τη δική μας εξατομικευμένη προσέγγιση.	el
Type of Item	Μεταπτυχιακή Διατριβή	el
Type of Item	Master Thesis	en
License	http://creativecommons.org/licenses/by-nc-nd/4.0/	en
Date of Item	2014-06-25	-
Date of Publication	2014	-
Subject	Recommendation systems (Information filtering)	en
Subject	Systems, Recommendation (Information filtering)	en
Subject	Systems, Recommender (Information filtering)	en
Subject	recommender systems information filtering	en
Subject	recommendation systems information filtering	en
Subject	systems recommendation information filtering	en
Subject	systems recommender information filtering	en
Subject	AI (Artificial intelligence)	en
Subject	Artificial thinking	en
Subject	Electronic brains	en
Subject	Intellectronics	en
Subject	Intelligence, Artificial	en
Subject	Intelligent machines	en
Subject	Machine intelligence	en
Subject	Thinking, Artificial	en
Subject	artificial intelligence	en
Subject	ai artificial intelligence	en
Subject	artificial thinking	en
Subject	electronic brains	en
Subject	intellectronics	en
Subject	intelligence artificial	en
Subject	intelligent machines	en
Subject	machine intelligence	en
Subject	thinking artificial	en
Subject	Learning, Machine	en
Subject	machine learning	en
Subject	learning machine	en
Subject	Bayes' solution	en
Subject	Bayesian analysis	en
Subject	bayesian statistical decision theory	en
Subject	bayes solution	en
Subject	bayesian analysis	en
Bibliographic Citation	Konstantinos Babas, "A bayesian personalized recommendation system", Master Thesis, Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Chania, Greece, 2014	en
Bibliographic Citation	Κωνσταντίνος Μπαμπάς, "Ένα μπαεσιανό σύστημα εξατομικευμένων προτάσεων", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2014	el

Search

Browse

My Space

A bayesian personalized recommendation system

Babas Konstantinos

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: