Hatékony session alapú item-to-item ajánlás

OData támogatás
Konzulens:
Simon Gábor
Automatizálási és Alkalmazott Informatikai Tanszék

Az ajánlórendszerek mint kutatási terület több új iránya is az elmúlt években keletkezett. Explicit ajánlóknál a legelterjedtebb mérték mai napig az RMSE (Root Mean Squared Error), melynek legnagyobb hibája, hogy nem veszi figyelembe az elemek sorrendjét. Utóbbi a valós felhasználás során rendkívül fontos, hiszen a gyakorlatban a felhasználók számára csak egy rövid, de reményeink szerint releváns lista megmutatására van csak lehetőség.

A probléma felismerése után nem csak új algoritmusok keletkeztek, hanem felmerült többek között a rangsor alapú kiértékelés, mint pl. az nDCG (normalized Discounted Cumulative Gain) illetve kontextuális elemek felhasználása. A hagyományos CF (Collaborative Filtering) ajánlórendszerek esetén feltételezés, hogy a felhasználó már értékelt vagy legalább megtekintett több elemet a rendszerben. Eme feltételezés nem minden esetben igaz. Gyakran előfordul, hogy egy honlap látogatói „véletlen sétákat” alkotva (session), bejelentkezés nélkül keresik a megfelelő elemet.

Ezen dolgozat célja egy olyan ajánlórendszer fejlesztése, amely képes ajánlásokat adni bármely látogató számára. Ebbe beletartoznak az aktív felhasználóknak szóló testreszabottabb, és az első látogatók számára szóló általánosabb ajánlások is. A felhasználóknak szóló ajánlásokon túl a rendszernek képesnek kell lennie kifejezetten a tartalmakhoz köthető ajánlások adására is.

A dolgozat több ajánlómodell bemutatását is tartalmazza, melyek a terület legfrissebb kutatási eredményei alapján kerültek kiválasztásra és implementálásra. Ezek a modellek számos szimuláció során kerülnek összehasonlításra, az iparban elterjedt kiértékelési módszereket alkalmazva. Ezen szimulációk azt is vizsgálják, hogy különböző frissítési stratégiák milyen hatással vannak a modellek teljesítményére.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.