Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Markov Chain Monte Carlo for effective personalized recommendations

Papilaris Michail-Aggelos

Simple record


URIhttp://purl.tuc.gr/dl/dias/CFC16310-F072-4741-A3A1-9A6E6417F27A-
Identifierhttps://doi.org/10.26233/heallink.tuc.68756-
Languageen-
Extent74 pagesen
TitleΑνάπτυξη ενός αποτελεσματικού συστήματος εξατομικευμένων συστάσεων με χρήση Markov Chain Monte Carloel
TitleMarkov Chain Monte Carlo for effective personalized recommendationsen
CreatorPapilaris Michail-Aggelosen
CreatorΠαπιλαρης Μιχαηλ-Αγγελοςel
Contributor [Thesis Supervisor]Chalkiadakis Georgiosen
Contributor [Thesis Supervisor]Χαλκιαδακης Γεωργιοςel
Contributor [Committee Member]Lagoudakis Michaelen
Contributor [Committee Member]Λαγουδακης Μιχαηλel
Contributor [Committee Member]Deligiannakis Antoniosen
Contributor [Committee Member]Δεληγιαννακης Αντωνιοςel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryPersonalized recommender systems aim to help users access and retrieve relevant information or items from large collections, by automatically finding and suggesting products or services of potential interest. User preferences are difficult to infer, and doing so often requires a tedious elicitation process relying on evidence of others’ behavior. To overcome such limitations, we propose a Bayesian approach for finding personalized top recommendations, by capturing user preferences using a utility function which the system learns via a passive preference elicitation sampling-based framework. In brief, instead of asking the user to specify this function explicitly, which is unrealistic, we explicitly model the uncertainty over the utility function and learn it through feedback, in the form of clicks, provided by the user. The utility function is a linear combination of (weighted) features, and beliefs are maintained using a Markov Chain Monte Carlo algorithm. Additionally, we handle situations where not enough data about the user is available, by exploiting the information from clusters of (feature) weight vectors created by observing other users’ behavior. Finally, in order to evaluate our system’s performance, we applied it in the online hotel booking recommendations domain using a real-world dataset.en
Content SummaryΤα εξατομικευμένα συστήματα συστάσεων, αποσκοπούν να βοηθήσουν τους χρήστες να ανακτήσουν πληροφορίες από μεγάλες συλλογές, εντοπίζοντας και προτείνοντας προϊόντα ή υπηρεσίες δυνητικού ενδιαφέροντος. Συχνά η διαδικασία εξαγωγής προτιμήσεων των χρηστών είναι περίπλοκη και βασίζεται σε στοιχεία για την συμπεριφορά άλλων χρηστών. Για να ξεπεραστούν αυτοί οι περιορισμοί, προτείνουμε μια Μπαεσιανή προσέγγιση για την εξαγωγή εξατομικευμένων προτάσεων, καταγράφοντας παθητικά τις προτιμήσεις των χρηστών, χρησιμοποιώντας μια συνάρτηση χρησιμότητας (utility function) την οποία το σύστημα μαθαίνει. Πιο συγκεκριμένα, αντί να ζητάμε από το χρήστη να καθορίσει την συνάρτηση χρησιμότητας, το οποίο είναι μη ρεαλιστικό, μαθαίνουμε τη συνάρτηση χρησιμότητας παρατηρώντας έμμεσα τον χρήστη και τις επιλογές του (clicks), και συντηρώντας σχετικές (πιθανοτικές) πεποιθήσεις. Η συνάρτηση χρησιμότητας αποτελείται από έναν γραμμικό συνδυασμό (σταθμισμένων) χαρακτηριστικών και οι πεποιθήσεις ενημερώνονται χρησιμοποιώντας έναν αλγόριθμο Markov Chain Monte Carlo. Επιπρόσθετα, σε περιπτώσεις όπου δεν έχουμε συλλέξει αρκετά δεδομένα σχετικά με τον χρήστη, σχηματίσαμε ομάδες (clusters) που δημιουργήσαμε από τα δεδομένα που έχουμε συλλέξει από άλλους χρήστες. Τέλος, προκειμένου να αξιολογήσουμε την απόδοση του συστήματός μας, το εφαρμόσαμε στον τομέα των συστάσεων για ηλεκτρονικές κρατήσεις ξενοδοχείων χρησιμοποιώντας πραγματικά σύνολα δεδομένων (datasets).el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by-nc-sa/4.0/en
Date of Item2017-07-13-
Date of Publication2017-
SubjectRecommender systemen
Bibliographic CitationMichail-Aggelos Papilaris, "Markov Chain Monte Carlo for effective personalized recommendations", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2017en
Bibliographic CitationΜιχαήλ-Άγγελος Παπίλαρης, "Ανάπτυξη ενός αποτελεσματικού συστήματος εξατομικευμένων συστάσεων με χρήση Markov Chain Monte Carlo", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2017el

Available Files

Services

Statistics