Πλοήγηση ανά Συγγραφέα "Lakkas-Pyknis, Evangelos"
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Τώρα δείχνει 1 - 1 από 1
- Αποτελέσματα ανά σελίδα
- Επιλογές ταξινόμησης
Τεκμήριο Analysis of user ratings during 2000-2018 for Amazon's videogames for the development of a recommender system(2025-07-24) Lakkas-Pyknis, Evangelos; Λάκκας-Πυκνής, Ευάγγελος; Chatziantoniou, Damianos; Papastamoulis, Panagiotis; Karlis, DimitriosΤα συστήματα συστάσεων στοχεύουν στον εντοπισμό ομοιοτήτων στις αξιολογήσεις των χρηστών και στη μετατροπή αυτών των ομοιοτήτων σε προτάσεις προϊόντων. Η παρούσα διπλωματική εργασία διερευνά δύο μεθοδολογίες που δοκιμάστηκαν σε δεδομένα αξιολογήσεων χρηστών-προϊόντων ενός εκτενούς συνόλου δεδομένων της Amazon για βιντεοπαιχνίδια: το k-medoids clustering το οποίο ομαδοποιεί τους χρήστες χρησιμοποιώντας την απόσταση Manhattan και το Singular Value Decomposition (SVD) που τοποθετεί και αντιστοιχεί τους χρήστες και τα προϊόντα σε έναν κοινό λανθάνοντα χώρο. Μετά από μια ιεραρχική διαίρεση του πίνακα αξιολογήσεων ανά κονσόλα και τύπο προϊόντος, η οποία αύξησε την πυκνότητα των δεδομένων και μείωσε τις διαστάσεις, και τα δύο μοντέλα εκπαιδεύτηκαν και δοκιμάστηκαν στους υποπίνακες που προέκυψαν. Το K-medoids εμφάνισε μικρότερο σφάλμα πρόβλεψης αξιολογήσεων, ενώ το SVD κατέταξε τα αντικείμενα με μεγαλύτερη ακρίβεια στη λίστα των 5 κορυφαίων κάνοντας πιο ακριβείς συστάσεις, αυτό αναδεικνύει μια αντιστάθμιση μεταξύ ακρίβειας πρόβλεψης και κατάταξης. Αν και τα δεδομένα συνεχίζουν να έχουν πολύ χαμηλή πυκνότητα, η ευελιξία του k-medoids και η συμπαγής δομή του SVD δείχνουν ότι η ακρίβεια και η υπολογιστική ταχύτητα μπορούν να επιτευχθούν ταυτόχρονα. Η εργασία καταλήγει πώς ο συνδυασμός αυτών των προσεγγίσεων—σε συνδυασμό με την αξιοποίηση επιπρόσθετων πληροφοριών και δεδομένων—θα μπορούσε να ενισχύσει περαιτέρω την απόδοση σε πραγματικούς, μεγάλης κλίμακας καταλόγους προϊόντων στο μέλλον.