Περίληψη
Η παρούσα διδακτορική διατριβή διερευνά πώς μπορεί να βελτιωθεί η χρήση των συστημάτων προτάσεων στις σύγχρονες πλατφόρμες ψηφιακού περιεχομένου, μέσα από δύο συμπληρωματικές κατευθύνσεις: αφενός μέσω της στοχευμένης βελτίωσης υφιστάμενων μεθόδων και αφετέρου μέσω της τεκμηριωμένης επιλογής της καταλληλότερης μεθόδου ή αρχιτεκτονικής για κάθε εφαρμοστικό πλαίσιο. Τα συστήματα προτάσεων προσεγγίζονται όχι απλώς ως αλγόριθμοι πρόβλεψης, αλλά ως μηχανισμοί εξατομίκευσης που μετατρέπουν δεδομένα συμπεριφοράς σε επιλογές περιεχομένου και, ως εκ τούτου, συνδέονται άμεσα με το ψηφιακό μάρκετινγκ και την εμπειρία του χρήστη. Κεντρική θέση της διατριβής είναι ότι η αυξανόμενη πολυπλοκότητα ενός μοντέλου δεν συνεπάγεται κατ’ ανάγκη μεγαλύτερη αξία. Η καταλληλότητά του εξαρτάται από τα δεδομένα, τον στόχο της υπηρεσίας, τις απαιτήσεις απόδοσης και τους λειτουργικούς περιορισμούς.Η έρευνα ακολουθεί πειραματική, ποσοτική και διαδοχική μεθοδολογία και αναπτύσσεται σε τρεις αλληλένδετες επιστημονικές ...
Η παρούσα διδακτορική διατριβή διερευνά πώς μπορεί να βελτιωθεί η χρήση των συστημάτων προτάσεων στις σύγχρονες πλατφόρμες ψηφιακού περιεχομένου, μέσα από δύο συμπληρωματικές κατευθύνσεις: αφενός μέσω της στοχευμένης βελτίωσης υφιστάμενων μεθόδων και αφετέρου μέσω της τεκμηριωμένης επιλογής της καταλληλότερης μεθόδου ή αρχιτεκτονικής για κάθε εφαρμοστικό πλαίσιο. Τα συστήματα προτάσεων προσεγγίζονται όχι απλώς ως αλγόριθμοι πρόβλεψης, αλλά ως μηχανισμοί εξατομίκευσης που μετατρέπουν δεδομένα συμπεριφοράς σε επιλογές περιεχομένου και, ως εκ τούτου, συνδέονται άμεσα με το ψηφιακό μάρκετινγκ και την εμπειρία του χρήστη. Κεντρική θέση της διατριβής είναι ότι η αυξανόμενη πολυπλοκότητα ενός μοντέλου δεν συνεπάγεται κατ’ ανάγκη μεγαλύτερη αξία. Η καταλληλότητά του εξαρτάται από τα δεδομένα, τον στόχο της υπηρεσίας, τις απαιτήσεις απόδοσης και τους λειτουργικούς περιορισμούς.Η έρευνα ακολουθεί πειραματική, ποσοτική και διαδοχική μεθοδολογία και αναπτύσσεται σε τρεις αλληλένδετες επιστημονικές συνεισφορές. Η πρώτη εξετάζει στο σκέλος της βελτίωσης μίας μεθόδου, αν ένα κλασικό σύστημα συνεργατικού φιλτραρίσματος μπορεί να βελτιωθεί μέσω διαφορετικής αναπαράστασης της συμπεριφορικής πληροφορίας. Ως σύνολο δεδομένων πειραματισμού χρησιμοποιούνται δεδομένα αξιολογήσεων ταινιών. Οι αραιές αξιολογήσεις χρήστη–ταινίας μετασχηματίζονται σε συμπιεσμένα και σημασιολογικά ερμηνεύσιμα προφίλ προτίμησης ανά κινηματογραφικό είδος, οι χρήστες ομαδοποιούνται βάσει αυτών των προφίλ και το συνεργατικό φιλτράρισμα εφαρμόζεται εντός των αντίστοιχων ομάδων. Στο εξεταζόμενο πρωτόκολλο MovieLens, η προσέγγιση αυτή οδηγεί σε χαμηλότερες τιμές RMSE και MAE και σε μικρότερο χρόνο εκτέλεσης σε σχέση με το αντίστοιχο KNN χωρίς ομαδοποίηση, δείχνοντας ότι η βελτίωση της αναπαράστασης και της οργάνωσης των δεδομένων μπορεί να ενισχύσει μια υπάρχουσα μέθοδο χωρίς αναγκαστική μετάβαση σε περισσότερο σύνθετη οικογένεια μοντέλων.Η δεύτερη συνεισφορά μετατοπίζει το ενδιαφέρον από τη βελτίωση μιας συγκεκριμένης διαμόρφωσης στην επιλογή της καταλληλότερης μεθόδου εντός του ίδιου μοντέλου. Οκτώ διαφορετικοί αλγόριθμοι ομαδοποίησης αξιολογούνται στο ίδιο πλαίσιο συνεργατικού φιλτραρίσματος και υπό δύο διαφορετικές αναπαραστάσεις των προτιμήσεων των χρηστών, βάσει κινηματογραφικού είδους και βάσει επιμέρους ταινιών. Τα αποτελέσματα δείχνουν ότι δεν υπάρχει ένας αλγόριθμος ομαδοποίησης που να αποτελεί την καταλληλότερη επιλογή σε όλες τις περιπτώσεις. Η σχετική απόδοση των μεθόδων διαφοροποιείται ανάλογα με την αναπαράσταση των δεδομένων και τον επιδιωκόμενο συμβιβασμό μεταξύ σφάλματος πρόβλεψης και υπολογιστικής αποδοτικότητας. Η επιλογή της τεχνικής ομαδοποίησης αναδεικνύεται έτσι ως αυτοτελές πρόβλημα σχεδιασμού και όχι ως προκαθορισμένη τεχνική απόφαση.Η τρίτη συνεισφορά γενικεύει το πρόβλημα επιλογής στο επίπεδο της συνολικής αρχιτεκτονικής εξατομίκευσης και το εξετάζει σε πραγματικά δεδομένα ψηφιακής μάθησης από την Coursera. Συγκρίνονται μοντέλα γειτονίας σε επίπεδο πληθυσμού, μοντέλα γειτονίας με συμπεριφορική τμηματοποίηση και παραλλαγές Νευρωνικού Συνεργατικού Φιλτραρίσματος με διαφορετικές αναπαραστάσεις μεταδεδομένων. Η αξιολόγηση διευρύνεται πέρα από τα RMSE και MAE και περιλαμβάνει κατάταξη πλήρους καταλόγου, Precision@K, Recall@K, κάλυψη εξατομικευμένης γειτονίας και διακριτές διαστάσεις υπολογιστικού κόστους. Παράλληλα, εφαρμόζεται ελεγχόμενη και αναπαραγώγιμη διαδικασία επιλογής μοντέλου, κατά την οποία το κριτήριο επιλογής, οι υπερπαράμετροι και η τελική διαμόρφωση καθορίζονται στο στάδιο της επικύρωσης και παγώνουν πριν από την τελική αξιολόγηση.Τα αποτελέσματα της τρίτης συνεισφοράς αναδεικνύουν σαφείς συμβιβασμούς μεταξύ των διαφορετικών αρχιτεκτονικών. Κανένα μοντέλο με δυνατότητα κατάταξης δεν υπερέχει σε όλες τις εξεταζόμενες διαστάσεις. Το KNN παρουσιάζει το χαμηλότερο RMSE μεταξύ των μοντέλων με δυνατότητα κατάταξης και υψηλή κάλυψη εξατομικευμένης γειτονίας, το ClusteredKNN εμφανίζει την ισχυρότερη παρατηρούμενη ανάκτηση στις πρώτες K προτάσεις αλλά χαμηλότερη υποστήριξη από αξιοποιήσιμους γείτονες, ενώ το NCF, εκπαιδευόμενο με όλα τα μεταδεδομένα επιτυγχάνει το χαμηλότερο MAE μεταξύ των μοντέλων με δυνατότητα κατάταξης με σημαντικά υψηλότερο κόστος εκπαίδευσης. Επιπλέον, το UserMean επιτυγχάνει πολύ χαμηλό αριθμητικό σφάλμα, αλλά δεν μπορεί να διαφοροποιήσει την κατάταξη των μη παρατηρημένων μαθημάτων, αναδεικνύοντας με ιδιαίτερη σαφήνεια ότι η ακρίβεια πρόβλεψης των αξιολογήσεων δεν ταυτίζεται με την ποιότητα ενός συστήματος προτάσεων.Συνολικά, η διατριβή δείχνει ότι η αποτελεσματικότερη χρήση των συστημάτων προτάσεων αποτελεί ταυτόχρονα πρόβλημα μεθοδολογικής βελτίωσης και τεκμηριωμένης επιλογής. Η κατάλληλη λύση δεν είναι αναγκαστικά η περισσότερο σύνθετη ή η περισσότερο λεπτομερής ως προς την εξατομίκευση, αλλά εκείνη της οποίας το προφίλ απόδοσης ανταποκρίνεται καλύτερα στον στόχο της υπηρεσίας, στα διαθέσιμα δεδομένα και στις λειτουργικές απαιτήσεις. Η συμβολή της διατριβής βρίσκεται επομένως όχι μόνο στην ανάπτυξη και σύγκριση επιμέρους τεχνικών, αλλά και στη διαμόρφωση μιας συνεκτικής λογικής επιλογής συστημάτων προτάσεων, βασισμένης σε πολλαπλά κριτήρια, αναπαραγωγιμότητα και σαφή διακυβέρνηση της διαδικασίας επιλογής. Η εξατομικευμένη εμπειρία και η ικανοποίηση του χρήστη ή πελάτη αποτελούν τον απώτερο προσανατολισμό αυτής της προσέγγισης, χωρίς όμως να μπορούν να συναχθούν άμεσα από τις μετρικές αξιολόγησης εκτός σύνδεσης. Η επιβεβαίωσή τους απαιτεί μελλοντική αξιολόγηση σε πραγματικές συνθήκες χρήσης.Επιστημονική περιοχή: Εξόρυξη Δεδομένων, Συστήματα Προτάσεων, Τεχνητή Νοημοσύνη και Ψηφιακό Μάρκετινγκ, Αναλυτική Δεδομένων.Λέξεις-κλειδιά: Εξατομίκευση, Συστήματα Προτάσεων, Συνεργατικό Φιλτράρισμα, Ομαδοποίηση, Εξόρυξη Δεδομένων, Νευρωνικό Συνεργατικό Φιλτράρισμα, Τεχνητή Νοημοσύνη, Ψηφιακό Μάρκετινγκ, Διακυβέρνηση Επιλογής Μοντέλου.
περισσότερα
Περίληψη σε άλλη γλώσσα
This doctoral dissertation investigates how recommender systems can be used more effectively in modern digital-content platforms through two complementary strategies: improving existing methods and selecting the method or architecture best suited to a particular application context. Recommender systems are approached not merely as prediction algorithms, but as personalization mechanisms that transform behavioral data into content choices and therefore play a direct role in digital marketing and user experience. A central premise of the dissertation is that increasing model complexity does not necessarily translate into greater value; the suitability of a recommender depends on the available data, the service objective, the required performance profile, and the operational constraints of the platform.The research follows an experimental, quantitative, and sequential design and develops through three interconnected scientific contributions. The first investigates whether a classical coll ...
This doctoral dissertation investigates how recommender systems can be used more effectively in modern digital-content platforms through two complementary strategies: improving existing methods and selecting the method or architecture best suited to a particular application context. Recommender systems are approached not merely as prediction algorithms, but as personalization mechanisms that transform behavioral data into content choices and therefore play a direct role in digital marketing and user experience. A central premise of the dissertation is that increasing model complexity does not necessarily translate into greater value; the suitability of a recommender depends on the available data, the service objective, the required performance profile, and the operational constraints of the platform.The research follows an experimental, quantitative, and sequential design and develops through three interconnected scientific contributions. The first investigates whether a classical collaborative-filtering approach can be improved through a different representation of behavioral information. Movie rating data are used as the experimental dataset. Sparse user–movie ratings are transformed into compact and semantically interpretable genre-preference profiles, users are clustered on the basis of these profiles, and collaborative filtering is then applied within the resulting groups. Under the evaluated MovieLens protocol, this approach achieves lower RMSE and MAE values and shorter execution time than the corresponding non-clustered KNN approach. The findings show that improving data representation and organization can enhance an existing recommender method without necessarily moving to a more complex model family.The second contribution shifts the focus from improving a specific configuration to selecting the most appropriate method within the same model. Eight clustering algorithms are evaluated within the same collaborative-filtering framework under two alternative representations of user preferences: genre-based and movie-based. The results show that no single clustering method is consistently preferable across all settings. Relative performance changes with the representation of the data and with the trade-off sought between prediction error and computational efficiency. Clustering-method selection therefore emerges as a design problem in its own right rather than as a fixed preprocessing choice.The third contribution generalizes the selection problem to the level of the overall personalization architecture and examines it using real-world digital-learning data from Coursera. Population-level neighborhood models, behaviorally segmented neighborhood models, and Neural Collaborative Filtering variants with different metadata representations are compared under a common evaluation framework. The evaluation extends beyond RMSE and MAE to include full-catalog ranking, Precision@K, Recall@K, personalized-neighborhood coverage, and distinct dimensions of computational cost. The final study also adopts a guarded and reproducible model-selection procedure in which the selection criterion, hyperparameters, feature representation, and final configuration are determined using validation data and frozen before confirmatory testing.The results reveal clear trade-offs among the alternative architectures. No rank-capable recommender dominates across all evaluated dimensions. KNN achieves the lowest RMSE among rank-capable models and maintains high personalized-neighborhood coverage; ClusteredKNN provides the strongest observed Top-K retrieval but with lower usable-neighbor support; and NCF-all-safe achieves the lowest MAE among rank-capable models at substantially greater fitting cost. The UserMean baseline attains even lower numerical prediction error but assigns the same score to unseen courses within each user and therefore cannot meaningfully rank them. This result provides a particularly clear demonstration that rating-prediction accuracy and recommendation quality are distinct objectives.Taken together, the three contributions show that the effective use of recommender systems is both a method-improvement problem and a model-selection problem. The most appropriate solution is not necessarily the most complex or the most granular form of personalization, but the one whose performance profile best matches the service objective, the available evidence, and the operational environment. The dissertation therefore contributes not only individual algorithmic comparisons, but also a coherent decision-oriented framework for recommender-system selection based on multiple criteria, reproducibility, and explicit governance of the model-selection process. Personalized user or customer experience and satisfaction remain the ultimate strategic objectives of this approach; however, they are not directly measured by the dissertation's offline experiments and require subsequent validation under real-world usage conditions.Scientific Area: Data Mining, Recommender Systems, Artificial Intelligence, and Digital Marketing, Data Analytics.Keywords: Personalization; Recommender Systems; Collaborative Filtering; Clustering; Data Mining; Neural Collaborative Filtering; Artificial Intelligence; Digital Marketing; Model Selection Governance.
περισσότερα