Please use this identifier to cite or link to this item:
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΚατσούδας, Χαράλαμπος - Άρης-
dc.contributor.otherKatsoudas, Charalampos - Aris-
dc.description.abstractΗ παρούσα διπλωματική εργασία αποσκοπεί στο να ενημερώσει τον αναγνώστη για την επιστήμη της τεχνητής νοημοσύνης και των υποκλάδων της, τα βασικά μοντέλα συστημάτων συστάσεων καθώς και μια αρχή στα τεχνητά νευρωνικά δίκτυα και στα τεχνητά νευρωνικά δίκτυα γράφων. Στο τέλος αναλύεται η προσπάθεια δημιουργίας ενός υβριδικού συστήματος συστάσεων με την χρήση τεχνητών νευρωνικών δικτύων γράφων. Για την κατασκευή του συγκεκριμένου υβριδικού συστήματος συστάσεων αρχικά κατασκευάζεται ένας γράφος ο οποίος λαμβάνει τα δεδομένα κριτικών από χρήστες της ιστοσελίδας «Amazon» για τα προϊόντα τα οποία αγοράζουν. Αυτός ο γράφος περιέχει τα περισσότερα από τα στοιχεία που προσφέρονται από τα δεδομένα όπως οι χρήστες, τα αντικείμενα που έχουν αγοράσει και τις κριτικές που έχουν εισάγει για τα αντικείμενα αυτά. Αποτελούμενος από κόμβους και ακμές αυτών των στοιχείων, στην συνέχεια εισάγονται και χαρακτηριστικά στον κάθε διαφορετικό τύπο κόμβου και ακμής, όπως διανυσματικές απεικονίσεις σε κάθε λέξη της κάθε κριτικής με χρήση αλγόριθμου «Word2Vec», βάρη σε ακμές όπως η βαθμολογία που έχει εισάγει ο χρήστης στο προϊόν στην ακμή που συνδέει το προϊόν με τον χρήστη κ.α.. Ο γράφος στην συνέχεια δέχεται ανάλυση μέσω νευρωνικών δικτύων γράφων και προκύπτουν τα επιθυμητά αποτελέσματα προβλέψεων. Εδώ, αναλύονται τρεις διαφορετικοί τύποι αλγορίθμων νευρωνικών δικτύων γράφων, ο καθένας από τους οποίους δέχεται και διαφορετική δομή του αρχικά κατασκευασμένου γράφου. Τέλος παρουσιάζονται τα αποτελέσματα των αλγορίθμων αυτών και προτάσεις για την εξέλιξη του αντικειμένου.el
dc.subjectΤεχνητή νοημοσύνηel
dc.subjectΜηχανική μάθησηel
dc.subjectΣυστήματα συστάσεωνel
dc.subjectΝευρωνικά δίκτυα γράφωνel
dc.titleΑνάπτυξη ενός υβριδικού συστήματος συστάσεων με τη χρήση της αναπαράστασης του γράφου κειμένων (graph-of-docs) και νευρωνικών δικτύων γράφωνel
dc.title.alternativeDevelopment of a hybrid graph-based recommendation system with the utilization of graph-of-docs representation and graph neural networksel
dc.description.translatedabstractThe present dissertation aims to inform the reader about the science of artificial intelligence and its subdivisions, the basic models of recommendation systems as well as a beginning in artificial neural networks and artificial graph neural networks. Finally, the attempt to create a hybrid system of recommendations using artificial graph neural networks is analyzed. To build this hybrid system of recommendations, a graph is first constructed that receives review data from the users of “Amazon” website for the products that they purchase. This graph contains most of the information offered by the given data such as users, items they have purchased and reviews they have given for those items. This graph, which consists of nodes and edges of the given data is then fed with features for each different type of node and edge, such as embeddings for each word of each review using the “Word2Vec” algorithm, edge weight such as the score given by the user for the product for the edge that connects the user with the product, etc. the graph is then analyzed via graph neural networks and the desired predicted results are obtained. Here, three different types of graph neural network algorithms are analyzed, each of which accepts a different structure of the originally constructed graph. Finally, the results of these algorithms are presented and suggestions for the evolution of the subject are given.el
dc.subject.alternativeArtificial intelligenceel
dc.subject.alternativeMachine learningel
dc.subject.alternativeRecommendation systemsel
dc.subject.alternativeGraph neural networksel
Appears in Collections:Τμήμα Μηχανολόγων και Αεροναυπηγών Μηχανικ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
DT_M_Katsoudas_Charalampos_Aris_1047211.pdf1.76 MBAdobe PDFView/Open

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