Ta witryna wykorzystuje cookies. Więcej informacji można znaleźć na stronie Polityka dotycząca cookies i podobnych technologii. ZAMKNIJ Zamknij ostrzeżenie dotyczące cookies

Bartłomiej Twardowski obronił rozprawę doktorską

Twardowski B1

Twardowski B.

W dniu 9 stycznia 2018 roku Bartłomiej Twardowski obronił rozprawę doktorską pt. "Algorithms for Ranking of Top-N Recommendations from Implicit User Feedback and Ephemeral Items".  Polski tytuł rozprawy - Algorytmy rankingu Top-N rekomendacji bazujące na niejawnej opinii użytkowników oraz ofertach efemerycznych, rozprawa jest napisana w języku angielskim. Promotorem rozprawy był prof. dr hab. inż. Mieczysław Muraszkiewicz.

Streszczenie: Praca poświęcona jest systemom rekomendacji bazującym na niejawnej opinii użytkowników, gdzie predykcją jest ranking N najlepszych ofert. W badaniach skupiono się na ofertach efemerycznych, które nie mają stałej reprezentacji w systemie.
W pracy zaproponowano podejście rekomendacji kontekstowej bazującej na sesji użytkownika, gdzie sam użytkownik nie jest identyfikowany, a o jego preferencjach świadczą zdarzenia w bieżącej sesji. Zaprezentowany został model sesji użytkownika, który umożliwia użycie dodatkowych zdarzeń wraz z danymi kontekstowym w procesie rekomendacji. Zidentyfikowany i opisany został problem ofert efemerycznych oraz metody które są wykorzystywane przy jego występowaniu. Następnie zaproponowano dwa algorytmy rekomendacji bazujących na sesjach użytkowników dla ofert efemerycznych. Jako punkt odniesienia obrano algorytmy rekomendacyjne bazujące na treści oferty.
Pierwszy przedstawiony algorytm bazuje na metodzie faktoryzacji macierzy, która została użyta przy modelowaniu rzadkich interakcji pomiędzy sesją użytkownika a cechami oferty. W tej metodzie reprezentacja sesji jest agregacją danych z sekwencji zdarzeń, gdzie funkcja agregacji musi być sprecyzowana explicite. Druga metoda wykorzystuje sztuczne sieci neuronowe i automatyzuje proces reprezentacji sesji. W metodzie tej wykorzystano jednocześnie dwa typy sieci neuronowych: rekurencyjne oraz jednokierunkowe. Sieci rekurencyjne użyto w celu uczenia maszynowego reprezentacji sesji z sekwencji zdarzeń w czasie, zaś sieci jednokierunkowe jako finalnego estymatora. W obu przedstawionych algorytmach podczas etapu uczenia maszynowego wykorzystano rankingowe funkcje straty.
W celu weryfikacji zaproponowanych metod przeprowadzono eksperymenty na czterech zbiorach danych. Zaprezentowano protokół ewaluacyjny dla systemów rekomendacji bazujących na sekwencji zdarzeń uporządkowanych w czasie. Wyniki potwierdziły użyteczność obu metod a ich charakterystyka została zaprezentowana w serii analiz.

Abstract: This thesis is devoted to recommender systems based on implicit user feedback where a prediction is top-N best ranked items. The main research focuses on ephemeral items which do not have a stable representation for a recommender system.
An approach of context-aware recommendation based on the user session is proposed where users are not identified and their preferences are based only on events from the current session. The user session model is presented which can incorporate additional events with contextual data into the recommendation process. The problem of ephemeral items is identified and described with methods used to cope with it. After which, two new algorithms for session based recommendations and ephemeral items are proposed. The content-base filtering method is taken as a baseline.
The first presented algorithm uses a matrix factorization technique, which is applied to model sparse interactions between the user session and items features. In this method a session representation is an aggregation of sequential events. The aggregation function must be given explicitly. The second method uses artificial neural networks and automatizes the session representation process. In this method two types of neural networks are used together: recurrent and feed-forward. Recurrent networks are used for the session representation learning from a sequence of data in time. The feed-forward networks serve as a final estimator. For both presented methods in training phase, ranking loss functions are being used.
In order to justify the proposed methods, experiments on four real datasets have been conducted. The evaluation protocol for recommendations based on the time sequential data was proposed. The results proved the usability of both new methods, the characteristics of which are presented in a series of analysis.

Ostatnia modyfikacja: wtorek, 9 stycznia 2018, 14:21:40, Bożenna Skalska

x x Aktualności (4) - wg daty publikacji

‹‹ Styczeń 2018 ››
Pon Wt Śr Czw Pt So N
1 2 3 4 5 6 7
8 9 10 11 12 13 14
15 16 17 18 19 20 21
22 23 24 25 26 27 28
29 30 31