W zależności od ilości danych do przetworzenia generowanie pliku może się wydłużyć.

Jeśli generowanie trwa zbyt długo można ograniczyć dane np. zmniejszając zakres lat.

Rozprawa doktorska

Pobierz BibTeX

Tytuł

Scalable dimensionality reduction methods for recommender systems

Autorzy

[ 1 ] Instytut Informatyki, Wydział Informatyki, Politechnika Poznańska | [ D ] doktorant

Promotor

[ 1 ] Instytut Informatyki, Wydział Informatyki, Politechnika Poznańska | [ P ] pracownik

Promotor pomocniczy

[ 1 ] Instytut Automatyki i Inżynierii Informatycznej, Wydział Elektryczny, Politechnika Poznańska | [ P ] pracownik

Recenzenci

Wariant tytułu

PL Skalowalne metody redukcji wymiarowości dla systemów rekomendacyjnych

Język

angielski

Słowa kluczowe
EN
  • Collaborative Filtering
  • Dimensionality Reduction
  • Machine Learning
  • Random Indexing
  • Statistical Relational Learning
PL
  • Filtrowanie Kolaboratywne
  • Redukcja Wymiarowości
  • Uczenie Maszynowe
  • Indeksowanie Losowe
  • Statystyczne Uczenie Relacyjne
Streszczenie

EN In this thesis dimensionality reduction methods and reflective data processing are investigated from the perspective of the ability to produce high precision recommendations and to cope with high unpredictability of the data sparsity. The results of the theoretical research have been evaluated, by carrying out a series of experiments, according to a well-established research methodology using publicly available data sets and following scenarios reflecting the so-called find-good-items task, rather than the low-error-of-ratings prediction. Based on the presented analytical research and experimental results, the author states that vector-space recommendation techniques and dimensionality reduction methods may be combined in a way preserving the high quality of recommendations, regardless of the amount of processed heterogeneous data.

PL W rozprawie analizowane są metody redukcji wymiarowości oraz tzw. reflektywnego przetwarzania danych w celu oceny możliwości dostarczenia precyzyjnych rekomendacji pomimo dużej nieprzewidywalności stopnia rzadkości danych. Wyniki badań teoretycznych zostały zweryfikowane poprzez przeprowadzenie eksperymentów zgodnie z metodyką badawczą ugruntowaną w literaturze – z użyciem publicznie dostępnych zbiorów danych – w sposób odpowiadający scenariuszom odzwierciedlającym wymagania świata rzeczywistego, a nie mającym na celu minimalizację błędu predykcji poszczególnych ocen. Na podstawie zaprezentowanych rezultatów autor stwierdza, że w systemie rekomendacyjnym opartym na modelu przestrzeni wektorowych można z powodzeniem zastosować metody redukcji wymiarowości zachowując przy tym wysoką jakość rekomendacji niezależnie od ilości przetwarzanych danych.

Liczba stron

137

Dziedzina wg OECD

nauki o komputerach i informatyka

Dyscyplina wg KBN

informatyka

Sygnatura rozprawy w wersji drukowanej

DrOIN 1726

Katalog on-line

to201680913

Uwagi

Rozprawa została opublikowana. Można ją znaleźć pod adresem:

https://sin.put.poznan.pl/publications/details/n62872

Pełny tekst rozprawy doktorskiej

Pobierz plik

Poziom dostępu do pełnego tekstu

publiczny

Pierwsza recenzja

Jacek Koronacki

Miejsce

Warszawa, Polska

Data

24.06.2015

Język

polski

Tekst recenzji

Pobierz plik

Poziom dostępu do recenzji

publiczny

Druga recenzja

Yannis Manolopoulos

Miejsce

Saloniki, Grecja

Data

19.05.2015

Język

angielski

Tekst recenzji

Pobierz plik

Poziom dostępu do recenzji

publiczny

Status rozprawy

rozprawa doktorska

Miejsce obrony

Poznań, Polska

Data obrony

26.10.2015

Jednostka nadająca tytuł

Rada Wydziału Informatyki Politechniki Poznańskiej

Uzyskany tytuł

doktor nauk technicznych w dyscyplinie: informatyka, w specjalności: systemy rekomendacyjne

Ta strona używa plików Cookies, w celu zapamiętania uwierzytelnionej sesji użytkownika. Aby dowiedzieć się więcej przeczytaj o plikach Cookies i Polityce Prywatności.