Please use this identifier to cite or link to this item:
Title: Δημιουργία υβριδικού συστήματος παροχής συστάσεων με την αξιοποίηση τεχνικών ανάλυσης συναισθήματος (sentiment analysis) των αξιολογήσεων χρηστών σε ηλεκτρονικές συναλλαγές
Other Titles: Creation of a hybrid recommender system, utilizing sentiment analysis techniques on online user’s reviews in online transactions
Authors: Μιχαλοπούλου, Μαρία
Keywords: Συστήματα συστάσεων
Μηχανική μάθηση
Συνεργατικό σύστημα φιλτραρίσματος βάσει μοντέλου
Ανάλυση φυσικής γλώσσας
Keywords (translated): Recommender systems
Machine learning
Model-based collaborative filtering system model
Natural language processing
Abstract: Η συνεχής ανάπτυξη του διαδικτύου έχει επιφέρει σημαντικές αλλαγές, τις τελευταίες δεκαετίες, στον τρόπο ενημέρωσης, επικοινωνίας καθώς και στην διαδικασία αγορών. Το ηλεκτρονικό εμπόριο αποτελεί το σύγχρονο τρόπο αγορών, ωστόσο ο μεγάλος όγκος των διαθέσιμων πληροφοριών στις ηλεκτρονικές αγορές καθιστά τη διαδικασία πολύπλοκη. Αυτό το ζήτημα καλούνται να λύσουν τα Συστήματα Συστάσεων εντοπίζοντας προϊόντα ή υπηρεσίες σύμφωνα με τα ενδιαφέροντα κάθε χρήστη. Στα πλαίσια της παρούσας διπλωματικής εργασίας αναλύουμε τη θεωρία των Συστημάτων Σύστασης και των μεθόδων τους που χρησιμοποιούνται στο ηλεκτρονικό εμπόριο, προκειμένου να διευκολύνουν την περιήγηση των χρηστών προτείνοντας τους προϊόντα και υπηρεσίες σύμφωνα με τις ανάγκες τους. Παρουσιάζουμε εφαρμογές και αλγορίθμους της Μηχανικής Μάθησης και αναλύουμε συνδυασμούς των Συστημάτων Σύστασης με εφαρμογές της Μηχανικής Μάθησης που έχουν δημιουργηθεί με σκοπό την δημιουργία αποδοτικότερων προτάσεων. Στη συνέχεια, αναπτύσσεται ένα ΣΣ που χρησιμοποίει μια βάση δεδομένων με προϊόντα της εταιρείας Amazon και εφαρμόζονται συστάσεις σύμφωνα με το μοντέλο Model-based collaborative filtering system με βάση τα προϊόντα που πωλούνται και τις κριτικές χρηστών. Έπειτα, εφαρμόζουμε το ίδιο μοντέλο σύστασης σε συνδυασμό με συναισθηματική ανάλυση κειμένου (NLP). Τέλος, ελέγχουμε τα αποτελέσματα των δυο μοντέλων και αξιολογούμαι ποια είναι η πιο αποδοτική μέθοδος.
Abstract (translated): Internet’s ceaseless development has instigated major changes over the last decades, both in the way people get informed and communicate and the public’s consumer habits. Electronic commerce accounts for a modern alternative to purchasing, however, the vast mass of available information in online shopping can make for a complicated process. Recommender Systems are called to solve these challenges by locating products or services according to each user’s interests. In this thesis, we consider the theoretical basis of Recommender Systems, as well as the methods used in electronic commerce in order to facilitate users’ browsing experience by proposing products and services that match their needs. We introduce applications and algorithms of Machine Learning and analyse Recommender Systems’ combinations with Machine Learning algorithms that have been created in order to generate more efficient suggestions. Later on, we develop a Recommender System that deploys a data base with products from Amazon and implements suggestions according to the Model-based Collaborative Filtering System model, based on the products that are being sold and the users’ reviews. Afterwards, we implement the same Recommender System model, combined with Natural Language Processing. Finally, we inspect the results from both models and evaluate them based on efficiency.
Appears in Collections:Τμήμα Μηχανολόγων και Αεροναυπηγών Μηχανικ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
DT_M_MICHALOPOULOU_MARIA_247097.pdf2.34 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.