Scalable dimensionality reduction methods for recommender systems
[ 1 ] Instytut Informatyki, Wydział Informatyki, Politechnika Poznańska | [ D ] phd student
[ 1 ] Instytut Informatyki, Wydział Informatyki, Politechnika Poznańska | [ P ] employee
[ 1 ] Instytut Automatyki i Inżynierii Informatycznej, Wydział Elektryczny, Politechnika Poznańska | [ P ] employee
PL Skalowalne metody redukcji wymiarowości dla systemów rekomendacyjnych
english
- Collaborative Filtering
- Dimensionality Reduction
- Machine Learning
- Random Indexing
- Statistical Relational Learning
- Filtrowanie Kolaboratywne
- Redukcja Wymiarowości
- Uczenie Maszynowe
- Indeksowanie Losowe
- Statystyczne Uczenie Relacyjne
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.
137
computer sciences and computer science
computer science
DrOIN 1726
Rozprawa została opublikowana. Można ją znaleźć pod adresem:
https://sin.put.poznan.pl/publications/details/n62872
public
Jacek Koronacki
Warszawa, Polska
24.06.2015
polish
public
Yannis Manolopoulos
Saloniki, Grecja
19.05.2015
english
public
dissertation
Poznań, Polska
26.10.2015
Rada Wydziału Informatyki Politechniki Poznańskiej
doktor nauk technicznych w dyscyplinie: informatyka, w specjalności: systemy rekomendacyjne