9. Deep Learning Algorithms for Recommender Systems (Αλγόριθμοι Βαθειάς Μάθησης σε Συστήματα Υποδείξεων)

Το συγκεκριμένο ερευνητικό μεταπτυχιακό αντικείμενο του προγράμματος ΜΕΔΜΟΔΕ του ΤΜΟΔ είναι η μελέτη και εφαρμογή αλγορίθμων βαθειάς μάθησης (deep learning) σε συστήματα υποδείξεων (recommender systems). Στα πλαίσια της έρευνας θα σχεδιαστεί και θα υλοποιηθεί εφαρμογή επιπέδου παραγωγής (production level), η οποία θα προτείνει περιεχόμενο από διάφορα πεδία (content domains) λαμβάνοντας υπόψη το προφίλ/ιστορικό του κάθε χρήστη. Λόγω του μεγάλου όγκου πληροφοριών που κατακλύζει το διαδίκτυο συχνά οι χρήστες δυσκολεύονται να ξεχωρίσουν τις πληροφορίες που πραγματικά σχετίζονται με τα ενδιαφέροντα τους. Επιπλέον οι χρήστες έχουν πολύ διαφορετικά ενδιαφέροντα ή προτιμήσεις που θα μπορούσαν να ληφθούν υπόψη ώστε να φιλτραριστούν ή να ταξινομηθούν τα αποτελέσματα μιας ερώτησης με σκοπό το αποτέλεσμα να ικανοποιεί τις εξατομικευμένες ανάγκες κάθε χρήστη. Οι αλγόριθμοι που χρησιμοποιούνται στα συστήματα υποδείξεων λαμβάνουν ως είσοδο τα χαρακτηριστικά και τις προτιμήσεις των χρηστών, ή τις σχέσεις μεταξύ των χρηστών ή τα γνωρίσματα του περιεχομένου και υπολογίζουν το εκτιμώμενο ενδιαφέρον του χρήστη για κάθε υπόδειξη. Στην συνέχεια ταξινομούν ή φιλτράρουν το περιεχόμενο με κριτήριο το εκτιμώμενο ενδιαφέρον. Παρά τη μεγάλη ερευνητική δραστηριότητα στα συστήματα υποδείξεων υπάρχουν σημαντικά προβλήματα που δεν έχουν μελετηθεί ακόμα πλήρως και απαιτείται περαιτέρω έρευνα. Για παράδειγμα οι τυπικές προσεγγίσεις εξαρτώνται από το πεδίο (domain) του περιεχομένου και δεν μπορούν εύκολα να επεκταθούν ή να ενσωματωθούν σε άλλα συστήματα. Επιπλέον η ανάγκη για περαιτέρω ευελιξία με τη μορφή υποδείξεων που εξάγονται από υπόρρητες αξιολογήσεις (implicit ratings) δημιουργεί απαιτήσεις που δεν πληρούνται στα περισσότερα συστήματα υποδείξεων. Στα πλαίσια της συγκεκριμένης έρευνας θα χρησιμοποιηθούν τεχνικές βαθειάς μάθησης οι οποίες κατά τα τελευταία χρόνια έχουν επιδείξει εξαιρετικές επιδόσεις σε μια πληθώρα προβλημάτων ανάλυσης και εξόρυξης δεδομένων, η αποτελεσματικότητα όμως των οποίων δεν έχει ακόμη εξερευνηθεί επαρκώς στα συστήματα υποδείξεων.
Ο/Η φοιτητής/τρια θα πραγματοποιεί την έρευνά του και παράλληλα θα παρακολουθεί ένα μάθημα ανά εξάμηνο κατόπιν εισήγησης της τριμελούς επιτροπής. Τα προτεινόμενα μαθήματα είναι: α) Μεθοδολογίες Επιχειρησιακής Έρευνας (Α’ εξάμηνο) και β) Υπολογιστικές Μέθοδοι Λήψης Αποφάσεων (Β’ εξάμηνο). Στο πλαίσιο της έρευνάς του/της θα κάνει βιβλιογραφική ανασκόπηση στο πρώτο δίμηνο και θα πρέπει να έχει ήδη αναπτύξει μία τουλάχιστον σχετική προσέγγιση ως το τέλος του 1ου εξαμήνου, ώστε να ακολουθήσει η πρώτη έκθεση/ παρουσίαση προόδου (επί της οποίας θα βαθμολογηθεί). Στη συνέχεια θα επιλεγούν οι τρόποι δημοσίευσης των αποτελεσμάτων της έρευνας, σε συνεννόηση με τον επιβλέποντα και θα ολοκληρωθούν εντός του 2ου εξαμήνου, ανάλογα με τις προθεσμίες συγκεκριμένων συνεδρίων του χώρου. Στο τέλος του 2ου εξαμήνου θα υπάρχουν τα πρώτα αποτελέσματα (αποφάσεις αποδοχής) και αναμένεται να έχουν ολοκληρωθεί και οι παρουσιάσεις/ δημοσιεύσεις ώστε να γίνει η 2η έκθεση/ παρουσίαση προόδου (η οποία επίσης θα βαθμολογηθεί κατά τα ισχύοντα στο πρόγραμμα). Θα ακολουθήσει η συγγραφή της τελικής μεταπτυχιακής εργασίας και η υποστήριξη της ενώπιον της επιτροπής κατά το 3ο εξάμηνο. Σε περίπτωση καθυστέρησης στην ολοκλήρωση των δημοσιεύσεων στα προτεινόμενα συνέδρια, θα επιδιωχθεί δημοσίευση σε περιοδικό ή κεφάλαιο σε βιβλίο κατά το φθινόπωρο - χειμώνα 2020. Η ποιότητα των δημοσιεύσεων θα συνυπολογίζεται στον τελικό βαθμό επίδοσης του φοιτητή.