Search

255 σ., H διδακτορική διατριβή τοποθετείται στον χώρο των συστημάτων αποφάσεων και ειδικότερα στην περιοχή των συστημάτων προτάσεων (recommender systems) όπου προτείνει την ανάπτυξη συστημάτων προτάσεων με χρήση πιθανοτικών μοντέλων θεμάτων (probabilistic topic models). Στο πλαίσιο της διατριβής πραγματοποιήθηκε βιβλιογραφική μελέτη στα γνωστικά πεδία της χρήσης τεχνικών μηχανικής μάθησης και της πιθανοτικής λανθάνουσας σημασιολογικής ανάλυσης (probabilistic latent semantic analysis) για την πραγματοποίηση προτάσεων. Στην παρούσα διατριβή διερευνάται η δυνατότητα για βελτιωμένα συστήματα προτάσεων στο εσωτερικό επιχειρήσεων, κοινοτήτων και στο εμπόριο με βάση λανθάνοντα θέματα. Παρουσιάζεται μία προσέγγιση για την ενσωμάτωση της υπάρχουσας γνώσης ενός πεδίου σε ένα σύστημα προτάσεων. Ακόμη, προτείνεται μια μεθοδολογία που εκμεταλλεύεται την εξαγωγή πιθανοτικών μοντέλων θεμάτων για την πλήρη και αποτελεσματική μοντελοποίηση της ικανότητας ενός εργαζομένου να αντιμετωπίσει ένα πρόβλημα. Περιγράφεται μια μεθοδολογία εξαγωγής προτιμήσεων για καταναλωτές σε υπεραγορές από ένα σύνολο δεδομένων με χρήση λανθανόντων θεμάτων. Τέλος, προτείνεται και αξιολογείται μια μεθοδολογία για την εκμετάλλευση του μη δομημένου κειμένου που βρίσκεται σε ηλεκτρονικές αγορές δημοπρασιών για την παραγωγή προτάσεων που απευθύνονται σε αγοραστές και πωλητές. Τα συστήματα προτάσεων που προτείνονται αξιολογήθηκαν με ενθαρρυντικά αποτελέσματα και παρουσίασαν κοινά χαρακτηριστικά: (1) μειώνουν τις διαστάσεις του προβλήματος και παρέχουν γρήγορα προτάσεις αφού έχει προηγηθεί η εξαγωγή των μοντέλων θεμάτων, (2) ικανοποιούν τις απαιτήσεις των χρηστών για ακρίβεια και ανάκληση των δεδομένων που τους ενδιαφέρουν, (3) τα θέματα που εξάγονται μπορούν να αποτελέσουν σημαντική πληροφορία για τον ιδιοκτήτη ή τον διαχειριστή του συστήματος., This doctoral thesis is positioned in the research area of decision support systems and specifically in recommender systems. It focuses on the design and development of recommender systems based on probabilistic topic models. In this thesis we have thoroughly examined the literature related to utilizing machine learning techniques and probabilistic latent semantic analysis for providing recommendations. We explore the possibility to design improved recommender systems inside enterprises, communities and in electronic commerce based on latent topics. An approach is presented for integrating existing domain knowledge in a recommender system. Additionally, a methodology is proposed for utilizing probabilistic topic models for complete and effective modeling of employee expertise on addressing problems. A methodology is described for extracting consumer preferences from datasets using topic models. Finally, we present and evaluate a methodology for utilizing the unstructured text found in electronic auction marketplaces in order to provide recommendations to buyers and sellers. The recommender systems proposed in this thesis have displayed a number of common characteristics: 1) They reduce the dimensions of the recommendation problem and provide fast online recommendations, having trained the topic models. 2) They satisfy the user needs for accuracy and recall of all interesting objects. 3) The topics extracted can provide significant insight to the system manager or owner.

255 σ., H διδακτορική διατριβή τοποθετείται στον χώρο των συστημάτων αποφάσεων και ειδικότερα στην περιοχή των συστημάτων προτάσεων (recommender systems) όπου προτείνει την ανάπτυξη συστημάτων προτάσεων με χρήση πιθανοτικών μοντέλων θεμάτων (probabilistic topic models). Στο πλαίσιο της διατριβής πραγματοποιήθηκε βιβλιογραφική μελέτη στα γνωστικά πεδία της χρήσης τεχνικών μηχανικής μάθησης και της πιθανοτικής λανθάνουσας σημασιολογικής ανάλυσης (probabilistic latent semantic analysis) για την πραγματοποίηση προτάσεων. Στην παρούσα διατριβή διερευνάται η δυνατότητα για βελτιωμένα συστήματα προτάσεων στο εσωτερικό επιχειρήσεων, κοινοτήτων και στο εμπόριο με βάση λανθάνοντα θέματα. Παρουσιάζεται μία προσέγγιση για την ενσωμάτωση της υπάρχουσας γνώσης ενός πεδίου σε ένα σύστημα προτάσεων. Ακόμη, προτείνεται μια μεθοδολογία που εκμεταλλεύεται την εξαγωγή πιθανοτικών μοντέλων θεμάτων για την πλήρη και αποτελεσματική μοντελοποίηση της ικανότητας ενός εργαζομένου να αντιμετωπίσει ένα πρόβλημα. Περιγράφεται μια μεθοδολογία εξαγωγής προτιμήσεων για καταναλωτές σε υπεραγορές από ένα σύνολο δεδομένων με χρήση λανθανόντων θεμάτων. Τέλος, προτείνεται και αξιολογείται μια μεθοδολογία για την εκμετάλλευση του μη δομημένου κειμένου που βρίσκεται σε ηλεκτρονικές αγορές δημοπρασιών για την παραγωγή προτάσεων που απευθύνονται σε αγοραστές και πωλητές. Τα συστήματα προτάσεων που προτείνονται αξιολογήθηκαν με ενθαρρυντικά αποτελέσματα και παρουσίασαν κοινά χαρακτηριστικά: (1) μειώνουν τις διαστάσεις του προβλήματος και παρέχουν γρήγορα προτάσεις αφού έχει προηγηθεί η εξαγωγή των μοντέλων θεμάτων, (2) ικανοποιούν τις απαιτήσεις των χρηστών για ακρίβεια και ανάκληση των δεδομένων που τους ενδιαφέρουν, (3) τα θέματα που εξάγονται μπορούν να αποτελέσουν σημαντική πληροφορία για τον ιδιοκτήτη ή τον διαχειριστή του συστήματος., This doctoral thesis is positioned in the research area of decision support systems and specifically in recommender systems. It focuses on the design and development of recommender systems based on probabilistic topic models. In this thesis we have thoroughly examined the literature related to utilizing machine learning techniques and probabilistic latent semantic analysis for providing recommendations. We explore the possibility to design improved recommender systems inside enterprises, communities and in electronic commerce based on latent topics. An approach is presented for integrating existing domain knowledge in a recommender system. Additionally, a methodology is proposed for utilizing probabilistic topic models for complete and effective modeling of employee expertise on addressing problems. A methodology is described for extracting consumer preferences from datasets using topic models. Finally, we present and evaluate a methodology for utilizing the unstructured text found in electronic auction marketplaces in order to provide recommendations to buyers and sellers. The recommender systems proposed in this thesis have displayed a number of common characteristics: 1) They reduce the dimensions of the recommendation problem and provide fast online recommendations, having trained the topic models. 2) They satisfy the user needs for accuracy and recall of all interesting objects. 3) The topics extracted can provide significant insight to the system manager or owner., Κωνσταντίνος Α. Χρηστίδης

Ο παγκόσμιος ιστός αποτελεί μία τεράστια αποθήκη πληροφοριών και αναπτύσσεται με τάχιστους ρυθμούς, ενώ η ανθρώπινη ικανότητα να εντοπίζει, να επεξεργάζεται και να αντιλαμβάνεται τις παρεχόμενες πληροφορίες παραμένει πεπερασμένη. Οι μηχανές αναζήτησης διευκολύνουν την αναζήτηση στον παγκόσμιο ιστό και έχουν γίνει αναπόσπαστο κομμάτι της καθημερινής ζωής των χρηστών του διαδικτύου. Οι χρήστες όμως χαρακτηρίζονται από διαφορετικές ανάγκες, προτιμήσεις, ιδιαιτερότητες και κατά την πλοήγησή τους μπορεί να χάσουν τον στόχο της αναζήτησής τους. Η προσωποποίηση στον παγκόσμιο ιστό, δηλαδή η εξατομίκευση των παρεχόμενων αποτελεσμάτων, αποτελεί μία πολλά υποσχόμενη προσέγγιση για την λύση του πληροφοριακού υπερφόρτου, παρέχοντας κατάλληλα προσαρμοσμένες εμπειρίες πλοήγησης. Στα πλαίσια αυτής της διπλωματικής εργασίας αναπτύχθηκε μία μεθοδολογία για την προσωποποίηση των αποτελεσμάτων μίας μηχανής αναζήτησης ώστε αυτά να ανταποκρίνονται στις προτιμήσεις των χρηστών και στα διαιτολογικά τους χαρακτηριστικά. Η μεθοδολογία αναπτύχθηκε σε δύο μέρη: στο εκτός σύνδεσης τμήμα και στο συνδεδεμένο. Στο πρώτο με την χρησιμοποίηση των αρχείων πρόσβασης μίας μηχανής αναζήτησης και των διαιτολογικών χαρακτηριστικών των χρηστών, έγινε εξαγωγή πληροφορίας για τις προτιμήσεις των τελευταίων. Στην συνέχεια με την χρήση μίας οντολογίας που κατασκευάστηκε για τα πλαίσια της διπλωματικής αυτής εργασίας, έγινε σημασιολογική κατηγοριοποίηση των επιλογών των χρηστών και κατασκευάστηκαν τα προφίλ που τους χαρακτηρίζουν. Έπειτα με την χρήση ενός αλγορίθμου ομαδοποίησης οι χρήστες κατηγοριοποιήθηκαν με βάση τα διαιτολογικά τους χαρακτηριστικά και τις επιλογές τους στην μηχανή αναζήτησης. Στο συνδεδεμένο τμήμα ο αλγόριθμος προσωποποίησης εκμεταλλευόμενος την σημασιολογική αντιστοίχιση των αποτελεσμάτων της μηχανής αναζήτησης και τις ομάδες των χρηστών που δημιουργήθηκαν στο εκτός σύνδεσης τμήμα αναδιοργανώνει τα παρεχόμενα από την μηχανή αναζήτησης αποτελέσματα. Η αναδιοργάνωση γίνεται προωθώντας στις υψηλότερες θέσεις των αποτελεσμάτων της μηχανής αναζήτησης τα αποτελέσματα που ταιριάζουν καλύτερα με τις προτιμήσεις και τα χαρακτηριστικά της ομάδας στην οποία εντάσσεται ο χρήστης. Στο τέλος έγιναν πειράματα και εξακριβώθηκαν τα επιθυμητά αποτελέσματα για την προσωποποίηση σύμφωνα με τις σημασιολογικές ομάδες των χρηστών. The World Wide Web has become a huge data repository and it keeps growing exponentially, whereas the human capability to find, process and understand the provided content remains constant. Search engines facilitate the search process in the World Wide Web and they have become an integral part of the web users' daily lives. However users who are characterized by different needs, preferences and special characteristics, navigate through large Web structures and may lost their goal of inquiry. Web personalization, i.e. the customization of the search engines’ returned results, is one of the most promising approaches for alleviating information overload providing tailored navigation experiences to Web users. The present dissertation presents the methodology which was implemented in order to personalize a search engine’s results for corresponding users’ preferences and dietary characteristics. This methodology was implemented in two parts: the offline and the online part. The first one uses a search engines’ log files and the dietary characteristics of the users in order to extract information for the latter preferences. Afterwards, with the use of an ontology which was created explicitly for this work, semantic profiling of users’ interests was achieved and their corresponding profiles were formed. Then with the use of a clustering algorithm, users’ categorization was made based on their dietary profiles and their preferences in the search engine. In the online part the methodology re-ranks the search engines’ results, based on the semantic characterization of those results and the users’ clusters which were created at the offline part. Re-ranking is achieved by placing those results which match better the interests and the characteristics of the user’s cluster at the top of the list of the search engines’ returned results. Experimental evaluation of the presented methodology shows that the expected objectives from the semantic users’ clustering in search engines are achievable.