Ανάπτυξη ενός συστήματος συστάσεων κριτών επιστημονικών άρθρων με βάση τα προφίλ κριτή-άρθρου και χρήση μεθόδων πολυκριτήριας ανάλυσης και μηχανικής μάθησης Ανάπτυξη ενός συστήματος συστάσεων κριτών επιστημονικών άρθρων με βάση τα προφίλ κριτή-άρθρου και χρήση μεθόδων πολυκριτήριας ανάλυσης και μηχανικής μάθησης Development of a reviewer recommendation system for scientific articles based on reviewer-article profiles and using multi-criteria analysis and machine learning methods Μεταπτυχιακή Διατριβή Master Thesis 2025-07-102025elΈνα από τα σημαντικότερα προβλήματα αποτελεί η ανάπτυξη αξιόλογων προφίλ χρηστών (καταναλωτών, προϊόντων, κριτών άρθρων, …) με τεράστια πεδία εφαρμογής στο ηλεκτρονικό επιχειρείν, στην ηλεκτρονική διακυβέρνηση, κ.α. Από την άλλη μεριά, η Τεχνητή Νοημοσύνη (ΤΝ) σε συνδυασμό με τα Μεγάλα Δεδομένα (Big Data), έχουν αναπτυχθεί ραγδαία με αποτέλεσμα να είναι δυνατή η αξιοποίηση κατάλληλων ταξινομητών και μεγάλου αριθμού δεδομένων για την ανάπτυξη προφίλ χρηστών. Στο πλαίσιο της διπλωματικής εργασίας αναπτύχθηκε λογισμικό που υλοποιεί μεθόδους και ειδικούς αλγόριθμους ΤΝ, όπως μηχανικής μάθησης (machine learning), εξόρυξης δεδομένων (data mining), ανάλυσης κειμένου, επεξεργασίας φυσικής γλώσσας (natural language processing), κ.α., και πολυκριτήριας ανάλυσης αποφάσεων, προκειμένου να διαμορφώνει τα κατάλληλα προφίλ κριτών (reviewers) άρθρων και άρθρων (papers), και εν συνεχεία να προχωρά στην αξιολόγηση των συνδυασμών άρθρου-κριτών και να διατυπώνει την πρόταση των κατάλληλων κριτών ανά άρθρο. Για τη δημιουργία των προφίλ χρήστη και άρθρων, έχει αναπτυχθεί μια υβριδική μεθοδολογία που βασίζεται σε άμεση και έμμεση ανατροφοδότηση δηλαδή σε πληροφορίες που παρέχει τόσο ο ίδιος ο χρήστης όσο και το ψηφιακό του αποτύπωμα (προσωπικές ιστοσελίδες, δημοσιευμένα άρθρα, κ.ο.κ.). Τέλος, η ανωτέρω μεθοδολογία εφαρμόσθηκε σε μια σειρά από περιπτώσεις για να αξιολογηθεί η αποτελεσματικότητά της. One of the most important problems is the development of valuable user profiles (consumers, products, paper reviewers, ...) with huge fields of application in e-business, e-governance, etc. On the other hand, Artificial Intelligence (AI) in combination with Big Data, has developed rapidly, making it possible to utilize appropriate classifiers and large amounts of data to develop user profiles. Within the framework of the thesis, software was developed that implements AI methods and special algorithms, such as machine learning, data mining, text analysis, natural language processing, etc., and multi-criteria decision analysis, in order to form the appropriate profiles of papers’ reviewers and papers, and then proceed to evaluate the paper-reviewer combinations and formulate the proposal of suitable reviewers per paper. Τo create profiles of user and papers, a hybrid methodology has been developed that is based on direct and indirect feedback, that is, on information provided by both the user himself and his digital footprint (personal websites, published papers, etc.). Finally, the above methodology was applied to a series of cases to evaluate its effectiveness. http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και ΔιοίκησηςToula_Maria_MSc_2025.pdfChania [Greece]Library of TUC2025-07-10application/pdf5.5 MBfree Toula Maria Τουλα Μαρια Matsatsinis Nikolaos Ματσατσινης Νικολαος Tsafarakis Stelios Τσαφαρακης Στελιος Papadakis Nikolaos Παπαδακης Νικολαος Πολυτεχνείο Κρήτης Technical University of Crete Hellenic Army Academy Στρατιωτική Σχολή Ευελπίδων Συστήματα συστάσεων Recommender systems Machine learning Μηχανική μάθηση Multi-Criteria analysis Πολυκριτήρια ανάλυση Text analysis Ανάλυση κειμένου Natural language processing Επεξεργασία φυσική γλώσσας