Content-based doporučovací systémy
| Název práce v češtině: | Content-based doporučovací systémy |
|---|---|
| Název v anglickém jazyce: | Content-based recommender systems |
| Klíčová slova: | Doporučovací systémy, uživatelské preference, implicitní a explicitní zpětná vazba collaborativní filtrování content-based filtrování |
| Klíčová slova anglicky: | recommender systems, user preferences, implicit and explicit feedback collaborative filtering, content-based filtering |
| Akademický rok vypsání: | 2013/2014 |
| Typ práce: | diplomová práce |
| Jazyk práce: | čeština |
| Ústav: | Katedra softwarového inženýrství (32-KSI) |
| Vedoucí / školitel: | Mgr. Ladislav Peška, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 05.11.2013 |
| Datum zadání: | 07.11.2013 |
| Datum potvrzení stud. oddělením: | 18.11.2013 |
| Datum a čas obhajoby: | 03.02.2015 09:30 |
| Datum odevzdání elektronické podoby: | 01.12.2014 |
| Datum odevzdání tištěné podoby: | 05.12.2014 |
| Datum proběhlé obhajoby: | 03.02.2015 |
| Oponenti: | prof. RNDr. Peter Vojtáš, DrSc. |
| Zásady pro vypracování |
| Řešitel nejprve získá přehled v oblasti učení uživatelských preferencí a doporučovacích systémů se zaměřením na různé metody využití obsahu nebo atributů objektů a jejich kombinaci s tradičnějšími metodami doporučování na základě uživatelské zpětné vazby.
Řešitel na základě prostudované literatury navrhne a implementuje nezávislou SW komponentu pro Content-based, případně hybridní doporučování. Komponenta by měla být schopna přijímat různě vyjádřené uživatelské preference (implicitní, explicitní...), různé formy vstupních dat o objektu (numerické/nominální/množinové atributy, textová pole...) a poskytovat různé metody pro tvorbu doporučení. Téma je z dynamicky se vyvíjející domény a předpokládá kontinuální kontakt (zadání diplomové práce se bude průběžně upřesňovat). Nedílnou součástí práce je sběr dat, implementace v definovaném prostředí a experiment. |
| Seznam odborné literatury |
| Ostuni, V. C.; Di Noia, T.; Di Sciascio, E. & Mirizzi, R. Top-N recommendations from implicit feedback leveraging linked open data Proceedings of the 7th ACM conference on Recommender systems, ACM, 2013, 85-92
Forbes, P. & Zhu, M. Content-boosted matrix factorization for recommender systems: experiments with recipe recommendation Proceedings of the fifth ACM conference on Recommender systems, ACM, 2011, 261-264 Koren, Y.; Bell, R. & Volinsky, C. Matrix Factorization Techniques for Recommender Systems Computer, IEEE Computer Society Press, 2009, 42, 30-37 Eckhardt, A. Similarity of users (content-based) preference models for Collaborative filtering in few ratings scenario Expert Systems with Applications, 2012, 39, 11511 - 11516 Peska, L.; Eckhardt, A. & Vojtas, P. UPComp - A PHP Component for Recommendation Based on User Behaviour Proceedings of the 2011 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology - Volume 03, IEEE Computer Society, 2011, 306-309 |
| Předběžná náplň práce |
| Doporučování na webu patří mezi rychle se rozvíjející obory s poměrně velkým vědeckým i komerčním potenciálem. Obvykle více prosazované je doporučování na základě uživatelské zpětné vazby (např. hodnocení objektů), které ale trpí tzv. cold start problémem, kdy není možné doporučovat pro nové uživatele, kteří ještě neposkytli žádnou (nebo jen málo) zpětné vazby. Content-based algoritmy se naopak zaměřují spíše na vlastnosti objektů a vztahy mezi nimi.
Práce může být pojata různými způsoby: rozsáhlejší porovnání existujících metod na zajímavých / netradičních datasetech, návrh a srovnání vlastních doporučovacích metod se stávajícími, zpracování nových zdrojů pro získávání informací o objektu (např. Linked Open Data). Mezi výsledky práce by však neměl chybět funkční software a experimenty na reálných datech. |