Content-based doporučovací systémy
| Thesis title in Czech: | Content-based doporučovací systémy |
|---|---|
| Thesis title in English: | Content-based recommender systems |
| Key words: | Doporučovací systémy, uživatelské preference, implicitní a explicitní zpětná vazba collaborativní filtrování content-based filtrování |
| English key words: | recommender systems, user preferences, implicit and explicit feedback collaborative filtering, content-based filtering |
| Academic year of topic announcement: | 2013/2014 |
| Thesis type: | diploma thesis |
| Thesis language: | čeština |
| Department: | Department of Software Engineering (32-KSI) |
| Supervisor: | Mgr. Ladislav Peška, Ph.D. |
| Author: | hidden - assigned and confirmed by the Study Dept. |
| Date of registration: | 05.11.2013 |
| Date of assignment: | 07.11.2013 |
| Confirmed by Study dept. on: | 18.11.2013 |
| Date and time of defence: | 03.02.2015 09:30 |
| Date of electronic submission: | 01.12.2014 |
| Date of submission of printed version: | 05.12.2014 |
| Date of proceeded defence: | 03.02.2015 |
| Opponents: | prof. RNDr. Peter Vojtáš, DrSc. |
| Guidelines |
| 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. |
| References |
| 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 |
| Preliminary scope of work |
| 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. |