Processing may take a few seconds...

Dissertation

Title

Scalable dimensionality reduction methods for recommender systems

Authors

[ 1 ] Instytut Informatyki, Wydział Informatyki, Politechnika Poznańska | [ D ] phd student

Promoter

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

Supporting promoter

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

Reviewers

Title variant

PL Skalowalne metody redukcji wymiarowości dla systemów rekomendacyjnych

Language

english

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

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.

Number of pages

137

OECD domain

computer sciences and computer science

KBN discipline

computer science

Signature of printed version

DrOIN 1726

On-line catalog

to201680913

Full text of dissertation

Download file

Access level to full text

public

First review

Jacek Koronacki

Place

Warszawa, Polska

Date

24.06.2015

Language

polish

Review text

Download file

Access level to review text

public

Second review

Yannis Manolopoulos

Place

Saloniki, Grecja

Date

19.05.2015

Language

english

Review text

Download file

Access level to review text

public

Dissertation status

dissertation

Place of defense

Poznań, Polska

Date of defense

26.10.2015

Unit granting title

Rada Wydziału Informatyki Politechniki Poznańskiej

Obtained title

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

This website uses cookies to remember the authenticated session of the user. For more information, read about Cookies and Privacy Policy.