Web alapú alkalmazások támogatása mesterséges intelligenciával

OData támogatás
Konzulens:
Dr. Dobrowiecki Tadeusz Pawel
Méréstechnika és Információs Rendszerek Tanszék

A fogyasztói piacot már a 90-es évektől sokféle, heterogén termék jellemzi, amelyek köre csak tovább bővült az online kereskedők és szolgáltatók megjelenésével. A széles kínálat okozta információs túlterhelés csökkentésére olyan módszerek terjedtek el, amelyek segítségével a felhasználót egy már megszűrt és személyre szabott kínálattal szembesíthetjük. Így alakultak ki a különböző ajánlórendszerek, amelyek a hatékonyság érdekében sokat merítenek a mesterséges intelligencia eszköztárából.

A dolgozatom egy olyan átfogó összefoglalásnak tekinthető, amely elméleti és gyakorlati szempontból is bevezetést nyújt az ajánlórendszerek világába.

Munkámban először áttekintem azokat az elméleti alapokat, amelyekre az ajánlórendszerek által használt módszerek építenek, különös tekintettel az intelligens megoldásokra. Kitérek többek között az adat előfeldolgozás lépéseire és a predikciós eljárásokra is. Ezek után megvizsgálom, hogyan használhatjuk fel ezeket az ajánlórendszerek által használt technikáknál, specializáltan egy tartalomalapú és egy kollaboratív szűrést alkalmazó rendszer implementálása során.

Az elméleti háttér segítségével elkészítettem egy webes film ajánlórendszer kísérleti prototípusát. Ismertetem a fejlesztés alatt felmerült fontosabb problémákat és tervezői döntéseket is. Az elkészült rendszer tartalom, és kollaboratív alapú szűrést is felhasznál az ajánlások számításához, ezáltal a két módszert összehasonlíthatóvá válik a példán keresztül. Az ajánláshoz használt számítási idő csökkentése érdekében, többek között klaszterezési technikát is felhasználtam, de a jellemzővektorok tömörítésének módjára is kitértem. Az alkalmazás elkészítése során végig szem előtt tartottam a felhasználói felület használhatóságát és attraktív kinézetét is.

A megvalósítás során egy olyan valós adathalmazt használtam, amely milliós nagyságú relációs táblákat tartalmaz, ezért is szükséges az optimalizálási kérdéseknek folyamatos szem előtt tartása. Az adathalmaz jellege lehetővé teszi valós eredmények kiértékelését a tesztelés által, hiszen valóban létező véleményeket tartalmaz. A dolgozat végén egy olyan tesztelési módszert mutatok be, amelynek segítségével az ajánlóalgoritmus teljesítménye jól mérhető. A dolgozat befejezéseként kritikusan értékelem a rendszert, rávilágítva annak hiányosságaira és felvázolom többek között olyan továbbfejlesztések lehetőségét, mint a modell alapú ajánlás.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.