Framework Supporting Online Evaluation of Recommender Systems
| Název práce v češtině: | Framework pro podporu online evaluace doporučovacích systémů |
|---|---|
| Název v anglickém jazyce: | Framework Supporting Online Evaluation of Recommender Systems |
| Klíčová slova: | doporučovací systémy, online evaluace |
| Klíčová slova anglicky: | recommender systems, online evaluation |
| Akademický rok vypsání: | 2017/2018 |
| Typ práce: | bakalářská práce |
| Jazyk práce: | angličtina |
| Ústav: | Katedra softwarového inženýrství (32-KSI) |
| Vedoucí / školitel: | Mgr. Ladislav Peška, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 12.06.2018 |
| Datum zadání: | 20.11.2018 |
| Datum potvrzení stud. oddělením: | 03.12.2018 |
| Datum a čas obhajoby: | 05.09.2019 09:00 |
| Datum odevzdání elektronické podoby: | 25.07.2019 |
| Datum odevzdání tištěné podoby: | 19.07.2019 |
| Datum proběhlé obhajoby: | 05.09.2019 |
| Oponenti: | RNDr. Štěpán Balcar |
| Zásady pro vypracování |
| Řešitel nejprve získá přehled v oblasti učení uživatelských preferencí a doporučovacích systémů ([1-7]), seznámí se s existujícími knihovnami doporučovacích algoritmů (např. MyMediaLite, LibRec, TensorRec) a datasety (např. MovieLens dataset, LibraryThing dataset).
Řešitel na základě prostudované literatury navrhne aplikaci, která v backendu umožní: - Importovat/parametrizovat existující datovou sadu (objekty, atributy, uživatelé, hodnocení) - Spravovat doporučovací algoritmy a jejich parametry, šablony zobrazení a zpětné vazby - Sledovat výsledky evaluace Aplikace ve frontendu: - Umožní uživateli vyhledávat objekty dané domény a zadávat zpětnou vazbu (hodnocení, likes/dislikes… dle definice) - Zobrazí doporučení pomocí vybraných algoritmů Aplikace by měla být snadno rozšiřitelná především s ohledem na přidávání nových algoritmů a šablon zobrazení. Řešitel implementuje několik základních doporučovacích algoritmů a otestuje framework na některých veřejně dostupných datových sadách. |
| Seznam odborné literatury |
| 1. Ricci, F. et al (Eds): Recommender Systems Handbook, Springer, 2011
2. Linden, G.; Smith, B. & York, J. Amazon.com recommendations: item-to-item collaborative filtering. Internet Computing, IEEE, 2003, 7, 76 - 80 3. Koren, Y.; Bell, R. & Volinsky, C. Matrix Factorization Techniques for Recommender Systems Computer, IEEE Computer Society Press, 2009, 42, 30-37 4. Eckhardt, A. Similarity of users (content-based) preference models for Collaborative filtering in few ratings scenario Expert Systems with Applications, 2012, 39, 11511 - 11516 5. Marius Kaminskas, Derek Bridge, Franclin Foping and Donogh Roche: Product-Seeded and Basket-Seeded Recommendations for Small-Scale Retailers, Journal on Data Semantics, pp.1-12, 2016. 6. Steffen Rendle, Christoph Freudenthaler, Zeno Gantner, and Lars Schmidt-Thieme. BPR: Bayesian personalized ranking from implicit feedback. In UAI '09. AUAI Press, 2009, 452-461. 7. Nguyen, J. & Zhu, M. Content-boosted matrix factorization techniques for recommender systems. Statistical Analysis and Data Mining, Wiley Subscription Services, Inc., A Wiley Company, 2013, 6, 286-301 |
| Předběžná náplň práce |
| Doporučovací systémy (doporučování objektů uživateli na základě jeho předchozích akcí) získaly v poslední dekádě velkou pozornost jak ve vědecké komunitě, tak i v komerčním prostředí. Bohužel, většina experimentů s doporučovacími algoritmy je prováděna off-line pouze na základě dříve získaných dat a řada aspektů algoritmů (např. novelty, context of choice, trivial recommendations…) tak nemůže být brána v potaz.
Cílem práce je vytvořit framework webové aplikace, který usnadní on-line porovnávání doporučovacích algoritmů nad různými doménami. Zajímavé problémy by mohla přinést integrace knihoven doporučovacích algoritmů, rozumně automatizovaný import/přechod na jinou doménu, dataset, návrh prezentační vrstvy a komunikace mezi jednotlivými součástmi aplikace. Doporučené (ačkoli ne vyžadované) je začít práci jako ročníkový projekt (NPRG045). |
| Předběžná náplň práce v anglickém jazyce |
| Recommender systems gained serious attention recently both in research and industry. One key drawback of the recommender systems research is the lack of on-line experiments with live users. The majority of current studies are performed off-line on previously collected datasets and many important aspects of the algorithms (e.g. novelty, context of choice, trivial recommendations) cannot be evaluted.
The aim of the thesis is to design a web application, which supports and simplify on-line evaluation of recommending algorithms over various domains. There are several interesting challenges such as recommender algorithms integration, automated data import, designing presentation layer and comunication between application components. It is recommended (although not mandatory) to start this thesis as an Individual Software Project (NPRG045) |