Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/15409
Title: Ανάπτυξη συστήματος συστάσεων με αξιοποίηση των κριτικών της πλατφόρμας Amazon.com
Other Titles: Development of recommender system by utilizing the Amazon.com platform reviews
Authors: Μπάτσιος, Χρήστος
Keywords: Συστήματα συστάσεων
Ανάλυση συναισθήματος
Παραπλανητική κριτική
Συνεργατικό φιλτράρισμα
Keywords (translated): Recommender system
Sentiment analysis
Review spam
Collaborative filtering
Abstract: Σήμερα, πλήθος καταστημάτων ηλεκτρονικού εμπορίου ζητούν από τους καταναλωτές να μοιραστούν τις απόψεις τους σχετικά με τα προϊόντα, που έχουν αγοράσει, και τους δίνουν τη δυνατότητα να υποβάλουν τις κριτικές τους μαζί με μία αξιολόγηση συγκεκριμένης πολικότητας. Σαν αποτέλεσμα, χιλιάδες κριτικές παράγονται καθημερινά, καθιστώντας δύσκολο για ένα άτομο να αποφασίσει αν θα αγοράσει ή όχι ένα συγκεκριμένο προϊόν. Ωστόσο, η σπουδαιότητα των κριτικών έδωσε κίνητρο για τη δημιουργία παραπλανητικών κριτικών, οι οποίες περιλαμβάνουν λανθασμένες απόψεις για ένα προϊόν. Επιπλέον, σε μερικές περιπτώσεις, υπάρχει αναντιστοιχία μεταξύ της κριτικής και της αξιολόγησης. Για την επίλυση των παραπάνω προβλημάτων, στη συγκεκριμένη εργασία προτείνεται ένα συνεργατικό φιλτράρισμα με βάση το μοντέλο, στο οποίο αξιοποιείται η ανάλυση συναισθήματος, χρησιμοποιώντας το VADER, και ο εντοπισμός διπλών ή σχεδόν διπλών κριτικών σε ένα σύνολο από κριτικές προϊόντων της πλατφόρμας Amazon.com. Στη συνέχεια, η ακρίβεια των προβλεπόμενων αξιολογήσεων του προτεινόμενου μοντέλου συγκρίνεται με την ακρίβεια ενός «απλού» συνεργατικού φλιταρίσματος με βάση το μοντέλο. Τα αποτελέσματα έδειξαν ότι το προτεινόμενο μοντέλο είναι ανώτερο από την «απλή» προσέγγιση επειδή είναι πιο ακριβές με βάση τα RMSE και MAE και βελτιώνει την αξιοπιστία των συστάσεων.
Abstract (translated): Nowadays, many e-commerce stores ask their consumers to share their opinions about the products they have purchased, and give them the opportunity to submit their reviews along with a specific polarity rating. As a result, thousands of reviews are generated daily, which makes difficult for an individual to decide whether or not to buy a particular product. However the importance of the reviews has given rise to spam, which includes false opinions about a product. In addition, in some cases, there is a mismatch between the review and the rating. To address the above problems, this paper proposes a model-based collaborative filtering, which utilizes sentiment analysis, using VADER, and the detection of duplicate or near-duplicate reviews on a set of Amazon.com platform’s product reviews. Then, the accuracy of the predicted ratings of the proposed model is evaluated against the accuracy of a “simple” model-based collaborative filtering. The results demonstrate that the proposed model is superior to the “simple” approach because it’s most accurate based on MAE and RMSE and improves the trustworthiness of recommendations.
Appears in Collections:Τμήμα Μηχανολόγων και Αεροναυπηγών Μηχανικ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
DT_M_Batsios_Christos_246985.pdf3 MBAdobe PDFView/Open


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