Search

In this MSc thesis, we put forward several novel recommender algorithms integrated into a hybrid recommender system for the tourism domain. To this end, we first explore the use of semantic similarity measures for Content-based recommendations to suggest tourist attractions. We study ways of deploying hierarchies of points of interests (POIs) and operate upon them with well-known similarity measures originating in the text analysis domain. Then, we progressively build three novel, hierarchy-free, similarity measures and discuss their strengths and weaknesses. We end up with a measure, the Weighted Extended Jaccard Similarity (WEJS) that combines information regarding the user interests (in the form of user preference-related weights) and specific item’s characteristics (in the form of particular values for the item’s features). As such, the use of WEJS allows the provision of recommendations that are effectively personalized. Interestingly, though it is a hierarchy-free measure, it is able to recommend items based on others that would naturally appear close in a feature-based POIs hierarchy; while at the same time it is capable of capturing similarities among items that would be distant to each other in any hierarchy build solely based on the POIs’ features. Our systematic experimental evaluation using real-world data showcases the benefits and limitations of the various measures and confirms the effectiveness of WEJS in offering “rich” and personalized recommendations, so that it can be utilized as important sub-component of a complete Recommender System. Subsequently, we develop two novel recommender algorithms, a Content-based one and a Hybrid which combines (a) a Bayesian component used for eliciting user preferences, and (b) the aforementioned Content-based algorithm as recommendations component. The second component can in fact itself be considered a hybrid among two different algorithms exploiting semantic similarity measures: a hierarchy-based and WEJS, the non-hierarchy based one. We evaluate our approach via extensive simulations conducted on a real-world dataset constructed for the needs of a real mobile application for short-term visitors of the popular touristic destination of Agios Nikolaos, Crete, Greece. Our experiments verify that our algorithms result in effective personalized recommendations of touristic points of interests; while our final hybrid algorithm outperforms our exclusively Content-based recommender algorithms in terms of recommendations accuracy. Parts of the research results produced in this thesis appear in three scientific articles, two published after peer-review in a scientific journal and the proceedings of an international conference, and one currently under review., Στην παρούσα μεταπτυχιακή εργασία, προτείνουμε νέους αλγόριθμους συστάσεων οι οποίοι είναι ενσωματωμένοι σε ένα υβριδικό σύστημα συστάσεων με εφαρμογή στον τομέα του τουρισμού. Για το σκοπό αυτό, αρχικά διερευνούμε τη χρήση μέτρων σημασιολογικής ομοιότητας για βασισμένες στο Περιεχόμενο συστάσεις ώστε να προτείνουμε τουριστικά αξιοθέατα. Μελετάμε τρόπους ανάπτυξης ιεραρχιών σημείων ενδιαφέροντος (POIs) και επενεργούμε σε σε αυτά με γνωστές μετρικές ομοιότητας που προέρχονται από τον τομέα της ανάλυσης κειμένου. Στη συνέχεια, σταδιακά δημιουργούμε τρεις νέες μετρικές ομοιότητας που δεν αξιοποιούν ιεραρχίες POIs, και συζητάμε τα πλεονεκτήματά τους και τις αδυναμίες τους. Καταλήγουμε σε μία μετρική, την Weighted Extended Jaccard Similarity (WEJS) που συνδυάζει πληροφορίες σχετικά με τα ενδιαφέροντα των χρηστών (με τη μορφή των χρηστών βάρους που σχετίζεται με τις προτιμήσεις των χρηστών) και τα χαρακτηριστικά των αντικειμένων (με τη μορφή συγκεκριμένων τιμών για τα χαρακτηριστικά του αντικειμένου). Ως εκ τούτου, η χρήση της WEJS επιτρέπει την παροχή συστάσεων που είναι αποτελεσματικά εξατομικευμένες. Είναι ενδιαφέρον ότι, αν και πρόκειται για μία μετρική χωρίς ιεραρχία, είναι σε θέση να συστήνει αντικείμενα που θα ήταν κοντινά εντός μιας ιεραρχίας POI με βάση τα χαρακτηριστικά - ενώ ταυτόχρονα είναι ικανή να καταγράφει ομοιότητες μεταξύ αντικειμένων που θα ήταν απομακρυσμένα μεταξύ τους σε οποιασδήποτε ιεραρχία που δημιουργείται αποκλειστικά με βάση τα χαρακτηριστικά των POIs. Η συστηματική πειραματική μας αξιολόγηση με τη χρήση πραγματικών δεδομένων αναδεικνύει τα οφέλη και τους περιορισμούς του διαφόρων μετρικών ομοιότητας, και επιβεβαιώνει την αποτελεσματικότητα της WEJS στην προσφορά "πλούσιων" και εξατομικευμένων συστάσεων, έτσι ώστε να μπορεί να χρησιμοποιηθεί ως σημαντικό υποστοιχείο ενός πλήρους Συστήματος Συστάσεων. Στη συνέχεια, αναπτύσσουμε δύο νέους Αλγορίθμους Συστάσεων, ένα Βασισμένο στο Περιεχόμενο και ένα Υβριδικό, ο οποίος συνδυάζει (α) ένα Bayesian αλγόριθμο που χρησιμοποιείται για την ανάδειξη των προτιμήσεων των χρηστών και (β) τον προαναφερθέντα αλγόριθμο βασισμένο σε Περιεχόμενο ως σύστημα συστάσεων. Το δεύτερο σύστημα μπορεί στην πραγματικότητα να θεωρηθεί το ίδιο ως υβρίδιο μεταξύ δύο διαφορετικών αλγορίθμων που εκμεταλλεύονται μετρικές σημασιολογικής ομοιότητας: ένα Βασισμένο στην Ιεραρχία, και το WEJS – που όπως προαναφέρθηκε δεν βασίζεται σε ιεραρχίες. Αξιολογούμε την προσέγγισή μας μέσω εκτεταμένων προσομοιώσεων που πραγματοποιήθηκαν σε ένα σύνολο πραγματικών δεδομένων που κατασκευάστηκε για τις ανάγκες μιας εφαρμογής κινητών συσκευών για συστάσεις τουριστικών διαδρομών (επικεντρωμένο στις ανάγκες βραχυπρόθεσμων επισκέψεων) του τουριστικού προορισμού του Αγίου Νικολάου στην Κρήτη. Τα πειράματά μας επαληθεύουν ότι οι αλγόριθμοί μας οδηγούν σε αποτελεσματικές εξατομικευμένες συστάσεις τουριστικών αξιοθέατων, ενώ ο τελικός μας Υβριδικός αλγόριθμος υπερτερεί έναντι των αλγορίθμων συστάσεων που Βασίζονται αποκλειστικά στο Περιεχόμενο όσον αφορά την ακρίβεια των συστάσεων. Μέρος της παραχθείσας στην παρούσα εργασία έρευνας και των αποτελεσμάτων της εμφανίζεται σε τρία επιστημονικά άρθρα, δυο δημοσιευμένα μετά από κρίση σε επιστημονικό περιοδικό και σε πρακτικά διεθνούς επιστημονικού συνεδρίου, και ένα το οποίο τελεί υπό κρίση κατά την τρέχουσα χρονική περίοδο.

Rational players negotiate in many real-life domains, such us the Smart Grids, health care, business and various economics environments in several. The optimal agreement to be reached from a negotiation is the one that best represents the player’s desires. A new challenge for negotiating autonomous agents is having limited or uncertain prior information about the preferences of the user they represent, as for example is demanded by the rules of the international Autonomous Negotiation Agents Competition (ANAC). This thesis aims to develop an agent which is able to negotiate given partial information about the user’s preferences, and can thus participate in ANAC. We present the design of an agent which builds mostly on the work of Srinivasan and Shocker (1973) and Tsimpoukis et al (2019). Our agent calculates its utility space from partial information based on categorical data in the form of pairwise comparisons of outcomes, instead of precise utility information. Moreover, our approach uses linear optimization for the estimation and translation of the partial information into utility estimates, by deploying the simplex algorithm. The strategy of our opponent modeling component is inspired by the Thomas-Kilmann Conflict Mode Instrument (TKI), which predicts the opponent’s strategy based on earlier counter-offers or an experience profile, as detailed in the work of Fujita (2016). Our acceptance strategy is based on the definition given by Fujita (2016), and its values corresponding to possible outcomes of the agent’s utility space. We tested our method in eleven different negotiation scenarios using four or sometimes five different domains. The strategy of our method and certain variants are deployed utilizing the well-known negotiation GENIUS platform. The negotiation tournaments that took place, involved agents with limited prior information, and also agents with complete prior information about their preference profiles. Negotiating agents that participated in past ANAC competitions comprise the agents with known preference profiles that were pitted against our agent. We conduct a systematic experimental evaluation, which demonstrates that our methodology has the ability to estimate the utility space from partial information with remarkable proximity to the real utility space. The results also verify that the algorithm’s acceptance strategy is working well while our agent accept bids based on its set acceptance threshold. Unsurprisingly, our results also demonstrate the unfairness of pitting agents with uncertain preferences against agents with known preferences. Finally, based on a close examination of our agent’s behavior during the simulations, we infer that we can improve its performance by making its acceptance strategy less cooperative., Ορθολογικοί παίκτες διαπραγματεύονται σε πολλά πεδία στην πραγματική ζωή όπως για παράδειγμα σε ευφυή δίκτυα, τον υγειονομικό τομέα, στις επιχειρήσεις και γενικά σε περιβάλλοντα που συσχετίζονται με τα οικονομικά. Η βέλτιστη συμφωνία η οποία μπορεί να αποκτηθεί από μία διαπραγμάτευση αντιπροσωπεύει με τον καλύτερο τρόπο τις επιθυμίες ενός παίκτη. Μία νέα πρόκληση για τους αυτόνομους πράκτορες που διαπραγματεύονται είναι να έχουν ελλιπή ή αβέβαιη πληροφορία για τις προτιμήσεις ενός χρήστη που αντιπροσωπεύουν, όπως απαιτείται για να συμμετάσχει στον παγκόσμιο διαγωνισμό αυτόνομων πρακτόρων (ANAC). Η συγκεκριμένη διπλωματική εργασία έχει ως στόχο να αναπτύξει ένα πράκτορα ο οποίος είναι ικανός να διαπραγματεύεται με δοθείσα περιορισμένη πληροφορία σχετικά με τις προτιμήσεις ενός χρήστη, και στην συνέχεια να μπορεί να συμμετάσχει στον διαγωνισμό ANAC. Στην εργασία παρουσιάζεται ο σχεδιασμός του πράκτορα ο οποίος βασίστηκε στις εργασίες των Srinivasan and Shocker (1973) και Tsimpoukis et al (2019). Ο πράκτορας υπολογίζει το διάστημα χρησιμότητας του (utility space), έχοντας περιορισμένες πληροφορίες στην μορφή κατηγορικών δεδομένων που προέρχονται μέσω συζευκτικής σύγκρισης αποτελεσμάτων, αντί για τις ακριβείς πληροφορίες χρησιμότητας. Χρησιμοποιούμε γραμμική βελτιστοποίηση για τον υπολογισμό των μερικών πληροφοριών και την μετατροπή τους σε υπολογισμούς τιμών χρησιμότητας, εφαρμόζοντας τον γνωστό αλγόριθμο simplex. Η στρατηγική μοντελοποίησης του αντιπάλου είναι εμπνευσμένη από το Tomas-Kilmann conflict mode Instrument (ΤΚΙ) γνωστό και ως ερωτηματολόγιο διάγνωσης προσεγγίσεων το οποίο προβλέπει την στρατηγική του αντιπάλου βασισμένο σε παλιότερες συγκρούσεις ή ένα εμπειρικό προφίλ όπως περιγράφεται στην έρευνα του Fujita (2016). Τέλος, η στρατηγική αποδοχής του αλγορίθμου βασίζεται στον ορισμό που έχει προταθεί απο τον Fujita (2016), με τις τιμές της να αντιστοιχούν είναι πιθανά αποτελέσματα του πεδίου χρησιμότητας του πράκτορα. Η προτεινόμενη μέθοδος αξιολογείται σε έντεκα διαφορετικά σενάρια χρησιμοποιώντας τέσσερα και μερικές φορές πέντε διαφορετικά πεδία διαπραγματεύσεων. Η στρατηγική της μεθόδου μας και διάφορες παραλλαγές της δοκιμάστηκαν σε μία πολύ γνωστή πλατφόρμα διαπραγματεύσεων, το GENIUS. Έλαβαν χώρα πρωταθλήματα διαπραγματεύσεων τα οποία συμπεριέλαβαν πράκτορες τόσο με τέλεια πληροφορία, όσο και με ελλιπή ενημέρωση σχετικά με το προφίλ προτιμήσεων τους. Ως αντίπαλοι με τέλεια πληροφόρηση για τις προτιμήσεις τους, χρησιμοποιήθηκαν πράκτορες οι οποίοι διαγωνίστηκαν σε παλαιότερους διαγωνισμούς του ANAC. Διεξήχθη μία συστηματική πειραματική αξιολόγηση η οποία παρουσιάζει την ικανότητα της μεθόδου μας να υπολογίζει το πεδίο χρησιμότητας που προέρχεται από ελλιπή πληροφόρηση με εξαιρετική εγγύτητα στο πραγματικό πεδίο χρησιμότητας. Τα αποτελέσματα επίσης επιβεβαιώνουν ότι η στρατηγική αποδοχής του αλγόριθμου δέχεται προσφορές βασισμένες στο όριο αποδοχής το οποίο τέθηκε. Επιπρόσθετα, στα αποτελέσματα επίσης υπογραμμίζεται το πόσο άδικο είναι να ανταγωνίζονται πράκτορες οι οποίοι γνωρίζουν τις ακριβείς προτιμήσεις τους με πράκτορες με ελλιπή αρχική πληροφορία. Η προσεκτική παρατήρηση της συμπεριφοράς του πράκτορά μας και η αποτίμηση των αποτελεσμάτων των πειραμάτων μας, μας οδηγεί στο συμπέρασμα πως μια λιγότερο συνεργατική (περισσότερο συντηρητική) στρατηγική αποδοχής προσφορών θα βελτίωνε την αποτελεσματικότητα της μεθόδου μας.