Doporučování se zaměřením na kulturní portály

• Název práce v češtině: Doporučování se zaměřením na kulturní portály
• Název v anglickém jazyce: Recommender systems for culture events
• Klíčová slova: doporučovací systémy, uživatelské preference, kulturní portály, multimedia
• Klíčová slova anglicky: recommender systems, user preference, culture portals, multimedia
• Akademický rok vypsání: 2015/2016
• 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: 14.05.2015
• Datum zadání: 18.05.2015
• Datum potvrzení stud. oddělením: 28.08.2015
• Datum a čas obhajoby: 06.09.2017 11:00
• Datum odevzdání elektronické podoby: 21.07.2017
• Datum odevzdání tištěné podoby: 21.07.2017
• Datum proběhlé obhajoby: 06.09.2017
• Oponenti: RNDr. Michal Kopecký, Ph.D.

Zásady pro vypracování

Cílem diplomové práce je získat obecný přehled o oblasti uživatelských webových preferencí a doporučovacích systémů. Dále pak analyzovat specifika doporučování v oblasti kulturních portálů s přihlédnutím k rozdílům oproti například doporučování v oblasti multimedií.

V rámci práce bude navržen model dané domény společně s metrikou podobnosti uživatelů a analyzována reálná data z českého kulturního portálu s přihlédnutím ke dvěma nejčastějším situacím z praxe: "neregistrovaný návštěvník, který si prohlíží konkrétní stránku" a "registrovaný uživatel se vrací na web".

Vzhledem k rozsáhlosti tématu se předpokládá postupné upřesňování zadání. Výchozí přístup předpokládá otestování několika existujících, nebo nově vytvořených metod doporučování pomocí offline experimentů na reálných datech z kulturního portálu a zároveň alespoň na dvou dalších příbuzných, veřejně dostupných datasetech. Dále bude provedena user study s lidskými uživateli nebo online A/B test s vybranými úspěšnými metodami z offline experimentu.

Seznam odborné literatury

Ricci, F., Rokach, L., Shapira, B., Kantor, P.B. (Eds.) Recommender Systems Handbook, Springer, 2011

Houda Khrouf and Raphaël Troncy. 2013. Hybrid event recommendation using linked data and user diversity. RecSys '13. ACM

Einat Minkov, Ben Charrow, Jonathan Ledlie, Seth Teller, and Tommi Jaakkola. 2010. Collaborative future event recommendation. CIKM '10. ACM

Dooms, Simon, De Pessemier, T., & Martens, L. (2011). A user-centric evaluation of recommender algorithms for an event recommendation system. Decisions@RecSys’11

Kluver, D. & Konstan, J. A. Evaluating Recommender Behavior for New Users Proceedings of the 8th ACM Conference on Recommender Systems, ACM, 2014, 121-128

Hu, Y.; Koren, Y. & Volinsky, C. Collaborative Filtering for Implicit Feedback Datasets Proceedings of the 2008 Eighth IEEE International Conference on Data Mining, IEEE Computer Society, 2008, 263-272

Kayaalp, M.; Ozyer, T.; Ozyer, S.T., "A Collaborative and Content Based Event Recommendation System Integrated with Data Collection Scrapers and Services at a Social Networking Site," Social Network Analysis and Mining, 2009. ASONAM '09

Ding, Y. & Li, X. Time weight collaborative filtering Proceedings of the 14th ACM international conference on Information and knowledge management, ACM, 2005, 485-492

Cheng, C.; Yang, H.; Lyu, M. R. & King, I. Where You Like to Go Next: Successive Point-of-interest Recommendation Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence, AAAI Press, 2013, 2605-2611

Claypool, M.; Le, P.; Wased, M. & Brown, D. Implicit interest indicators Proceedings of the 6th international conference on Intelligent user interfaces, ACM, 2001, 33-40

Di Noia, T.; Mirizzi, R.; Ostuni, V. C.; Romito, D. & Zanker, M. Linked open data to support content-based recommender systems Proceedings of the 8th International Conference on Semantic Systems, ACM, 2012, 1-8

Fox, S.; Karnawat, K.; Mydland, M.; Dumais, S. & White, T. Evaluating implicit measures to improve web search ACM Transactions on Information Systems, 2005, 23, 2005

Gomez-Uribe, C. Challenges and Limitations in the Offline and Online Evaluation of Recommender Systems: A Netflix Case Study, RUE 2012, Ceur-WS

Ribeiro, M. T.; Lacerda, A.; Veloso, A. & Ziviani, N. Pareto-efficient hybridization for multi-objective recommender systems Proceedings of the sixth ACM conference on Recommender systems, ACM, 2012, 19-26

Předběžná náplň práce

Uživatelské preference a doporučování jsou dynamicky se rozvíjející obor s vysokým uplatněním jak pro praxi, tak i ve výzkumu. Oblast kulturních portálů je ideální cílová doména doporučovacích systémů. Preference uživatele lze často jen obtížně vyjádřit a navíc kulturní akce obsahují řadu specifických charakteristik, které je odlišují od doporučování na jiných doménách.

Předběžná náplň práce v anglickém jazyce

Recommender systems and learning user preferences are emerging topics with both research potential and commercial application. The domain of culture portals is an ideal target domain, where user preferences are often hard to express and moreover several specific characteristics distinguish it from recommending on other domains.