BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20221128T142133Z LAST-MODIFIED:20221128T142133Z DTSTAMP:20261015T144306Z UID:1792064586@tuc.gr SUMMARY:Παρουσίαση Μεταπτυχιακής Εργασίας κ. Στρεβινιώτη Ερρίκου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=5899&cHash=9b276d8aa568840 3d1bc209a23b10e22\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Μ εταπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΜΕ ΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ \n ΕΡΡΙΚΟΥ ΣΤΡΕ ΒΙΝΙΩΤΗ\n με θέμα\n Μηχανική Μάθηση και Θεωρία Κοινωνικής Επιλογής για Π ροσωποποιημένες Συστάσεις και Συστάσ εις σε Ομάδες\n Machine Learning and Social Choice Theory for Personaliz ed and Group Recommendations\n Εξετα στική Επιτροπή\n Αναπληρωτής Καθηγητ ής Γεώργιος Χαλκιαδάκης (επιβλέπων)\ n Καθηγητής Μιχαήλ Λαγουδάκης\n Αναπ ληρωτής Καθηγητής Βασίλειος Σαμολαδά ς\n Περίληψη\n     \n Τα συστήματα σ υστάσεων είναι εργαλεία λογισμικού τ α οποία παρέχουν βοήθεια σε χρήστες οι οποίοι έχουν έλλειψη εμπειρίας ή γνώσης προκειμένου να ξεπεράσουν το πρόβλημα της πλεονάζουσας πληροφορία ς. Σε αυτή την εργασία, παρουσιάζουμ ε δυο συστήματα συστάσεων τα οποία χ ρησιμοποιούν αντίστοιχα Μπαϋεσιανή μ άθηση και τον αλγόριθμο του φίλτρου Κάλμαν, σε συνδυασμό με μηχανισμούς που προέρχονται από τη θεωρία κοινων ικής επιλογής προκειμένου να μάθουν τις προτιμήσεις των χρηστών ώστε να παρέχουν προσωποποιημένες συστάσεις και συστάσεις σε ομάδες χρηστών.\n Η μάθηση των προτιμήσεων χρησιμοποιεί μια καινοτόμα και όχι απαιτητική πρ ος τον χρήστη διαδικασία εκμαίευσης προτιμήσεων, κατά την οποία ο χρήστη ς παρέχει μια βαθμολογία για μερικές γενικές εικόνες, οι οποίες σχετίζον ται με τα αντικείμενα τα οποία μπορο ύν να προταθούν, που του/της παρουσι άζουμε. Στη συνέχεια αξιοποιούμε αυτ ές τις βαθμολογίες ώστε οι προσεγγίσ εις μας να παράγουν κάποιες πεποιθήσ εις σχετικά με τις προτιμήσεις του χ ρήστη. Προκειμένου να μοντελοποιήσου με την υψηλή αβεβαιότητα η οποία εμπ εριέχεται σε τέτοια περιβάλλοντα, αν απαριστούμε τόσο τους χρήστες όσο κα ι τα προς σύσταση αντικείμενα ως καν ονικές κατανομές πολλών μεταβλητών.\ n Επιπρόσθετα, εφαρμόζουμε διάφορους κανόνες ψηφοφοριών πολλών νικητών α πό τη θεωρία κοινωνικής επιλογής στο πρόβλημα των προσωποποιημένων συστά σεων. Συγκεκριμένα, εξοπλίζοντας το σύστημά μας με τέτοιους μηχανισμούς μπορούμε να παράγουμε αποτελεσματικέ ς προσωποποιημένες συστάσεις ενώ παρ άλληλα προάγουμε ποικίλες συστάσεις σε σχέση με διάφορα χαρακτηριστικά. Στη συνέχεια εστιάζουμε στο πρόβλημα των συστάσεων σε ομάδες επεκτείνοντ ας τις προσεγγίσεις μας και εφαρμόζο ντας διάφορες στρατηγικές συνάθροιση ς μαζί με ένα κανόνα ψηφοφοριών πολλ ών νικητών, ο οποίος ονομάζεται Rewe ighted Approval voting (RAV). Εξ όσω ν γνωρίζουμε, η χρήση κανόνων ψηφοφο ριών πολλών νικητών για τα παραπάνω προβλήματα έγινε για πρώτη φορά στην βιβλιογραφία.\n Συνοψίζοντας, η μετ απτυχιακή μας εργασία εστιάζει στα π ροβλήματα των προσωποποιημένων συστά σεων και συστάσεων σε ομάδες. Έχει δ ε ως πεδίο εφαρμογής τον τομέα του τ ουρισμού. Διεξάγαμε μια συστηματική πειραματική αξιολόγηση των προσεγγίσ εών μας τις οποίες εφαρμόσαμε σε πρα γματικά δεδομένα από σημεία τουριστι κού ενδιαφέροντος της πόλης του Αγίο υ Νικολάου Κρήτης, σημαντικού τουρισ τικού προορισμού. Επισημαίνουμε ότι μελετήσαμε την αποτελεσματικότητα τω ν προσεγγίσεων μας όταν τις εξοπλίζο υμε με πρότερη γνώση σχετικά με τις γενικές προτιμήσεις συγκεκριμένων κα τηγοριών χρηστών (χρηστών οι οποίοι ανήκουν στην ίδια ηλικιακή ομάδα), μ ε βάση δεδομένα τα οποία συλλέχθηκαν από ερωτηματολόγια πραγματικών τουρ ιστών στην πόλη του Αγίου Νικολάου.\ n Στα πλαίσια της εργασίας μας διεξά γαμε μια συστηματική πειραματική αξι ολόγηση των προσεγγίσεών μας τις οπο ίες εφαρμόσαμε σε πραγματικά δεδομέν α της πόλης του Αγίου Νικολάου στη Κ ρήτη. Τα πειραματικά μας αποτελέσματ α (i) δείχνουν την ικανότητα των προ σεγγίσεών μας να παράγουν αποτελεσμα τικά προσωποποιημένες συστάσεις οι ο ποίες ταιριάζουν με τα ενδιαφέροντα ενός συγκεκριμένου χρήστη, (ii) επιβ εβαιώνουν ότι η αξιοποίηση πρότερης γνώσης σχετικά με τις προτιμήσεις τω ν τουριστών, με βάση τα δημογραφικά του χαρακτηριστικά, βοηθούν τα συστή ματα συστάσεων μας να αποφύγουν το c old-start πρόβλημα, (iii) δεικνύουν ότι η χρήση κανόνων ψηφοφοριών πολλώ ν νικητών επιτρέπει ποικιλόμορφες συ στάσεις σε σχέση με διάφορα χαρακτηρ ιστικά τα οποία σχετίζονται με το το υρισμό, ενώ αυξάνουν την απόδοση του συστήματός μας στη περίπτωση που η αλληλεπίδραση ενός χρήστη με το σύστ ημα είναι περιορισμένη, και (iv) επι δεικνύουν ότι η χρήση κανόνων ψηφοφο ριών πολλών νικητών επιτρέπει δίκαιε ς συστάσεις σε ομάδες χρηστών σε σχέ ση με τις ευρέως γνωστές μετρικές m- PROPORTIONALITY και m-ENVY-FREENESS. Τέλος, ο Μπαϋεσιανός αλγόριθμος προ σωποποιήμενων συστάσεων που αναπτύξα με έχει ενσωματωθεί σε μια πραγματικ ή εφαρμογή κινητών για τον προγραμμα τισμό τουριστικών περιηγήσεων στην π όλη του Αγίου Νικολάου Κρήτης.\n Abs tract\n     \n Recommender systems a re software tools that provide assis tance to individuals who lack experi ence or knowledge in order to overco me the information overflow problem. In this work, we introduce two reco mmender systems that employ Bayesian learning and the Kalman Filter algo rithm respectively, along with mecha nisms derived from Social Choice The ory, in order to learn users prefere nces and provide efficient personali zed recommendations and group recomm endations.\n To facilitate user pref erence learning, we propose a novel, lightweight preference elicitation process, during which the user is pr esented with and asked to rate a sma ll number of generic images that are related with the items under recomm endation. We then exploit these rati ngs to guide our approaches to gener ate beliefs regarding the user's pre ferences. In order to model the high uncertainty that exists in such set tings, our system represents both us ers and items as multivariate normal distributions.\n On top of these, w e employ several multiwinner voting rules from the social choice literat ure to the personalized recommendati ons problem. Specifically, we equip with such mechanisms our recommender s, allowing for effective personaliz ed recommendations while promoting d iverse results with respect to sever al features. We then focus on the gr oup recommendation problem, by exten ding our approach and employing vari ous preference aggregation mechanism s alongside with a multiwinner votin g rule, namely the Reweighted Approv al Voting (RAV). The application of multiwinner voting rules for these p roblems is, to the best of our knowl edge, done for the first time in the literature.\n Thus, in this thesis we tackle both the personalized and group recommendations problems; and we do so focusing on the tourism dom ain. We conduct a systematic experim ental evaluation of our approaches b y applying them on a real-world data set of Points of Interest (POIs) in the popular touristic destination of Agios Nikolaos, Crete, Greece. Inte restingly, we study the effectivenes s of our approaches when we equip ou r system with prior knowledge regard ing the (average) preferences of spe cific user types (i.e., tourists bel onging in specific age groups), give n data we collected via questionnair es from actual tourists visiting the city of Agios Nikolaos.\n Our exper imental results (i) highlight the ab ility of our systems to successfully produce personalized recommendation s that match the specific interests of a single user; (ii) confirm that the employment of prior knowledge re garding the preferences of tourists, based on their demographics, guides our recommender to avoid the cold-s tart problem; (iii) demonstrate that the use of multiwinner mechanisms a llows for diverse recommendations wi th respect to travel-related feature s, and increased system performance in the case of limited user-system i nteractions; and (iv) show that the use of multiwinner mechanisms allows for fair group recommendations with respect to the well-known m-PROPORT IONALITY and m-ENVY-FREENESS metrics . Last but not least, our personaliz ed Bayesian recommendation algorithm is incorporated in a real-world mob ile tour-planning application for Ag ios Nikolaos, Crete.\n Meeting ID: 9 75 5697 1584\n Password: 654352\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20221130T123000 DTEND:20221130T133000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR