Publicação
Recommender Systems Based on Deep Learning Techniques
| datacite.subject.fos | Departamento de Informática | pt_PT |
| dc.contributor.advisor | Couto, Francisco José Moreira | |
| dc.contributor.author | Colaço, Fábio Iúri Gaspar | |
| dc.date.accessioned | 2020-12-04T18:09:51Z | |
| dc.date.available | 2020-12-04T18:09:51Z | |
| dc.date.issued | 2020 | |
| dc.date.submitted | 2020 | |
| dc.description | Tese de mestrado em Ciência de Dados, Universidade de Lisboa, Faculdade de Ciências, 2020 | pt_PT |
| dc.description.abstract | O atual aumento do número de opções disponíveis aquando a tomada de uma decisão, faz com que vários indivíduos se sintam sobrecarregados, o que origina experiências de utilização frustrantes e demoradas. Sistemas de Recomendação são ferramentas fundamentais para a mitigação deste acontecimento, ao remover certas alternativas que provavelmente serão irrelevantes para cada indivíduo. Desenvolver estes sistemas apresenta vários desafios, tornando-se assim uma tarefa de difícil realização. Para tal, vários sistemas (frameworks) para facilitar estes desenvolvimentos foram propostos, ajudando assim a reduzir os custos de desenvolvimento, através da oferta de ferramentas reutilizáveis, tal como implementações de estratégias comuns e modelos populares. Contudo, ainda é difícil encontrar um sistema (framework) que também ofereça uma abstração completa na conversão de conjuntos de dados, suporte para abordagens baseadas em aprendizagem profunda, modelos extensíveis, e avaliações reproduzíveis. Este trabalho introduz o DRecPy, um novo sistema (framework) que oferece vários módulos para evitar trabalho de desenvolvimento repetitivo, mas também para auxiliar os praticantes nos desafios mencionados anteriormente. O DRecPy contém módulos para lidar com: tarefas de carregar e converter conjuntos de dados; divisão de conjuntos de dados para treino, validação e teste de modelos; amostragem de pontos de dados através de estratégias distintas; criação de sistemas de recomendação complexos e extensíveis, ao seguir uma estrutura de modelo definida mas flexível; juntamente com vários processos de avaliação que originam resultados determinísticos por padrão. Para avaliar este novo sistema (framework), a sua consistência é analisada através da comparação dos resultados produzidos, com os resultados publicados na literatura. Para mostrar que o DRecPy pode ser uma ferramenta valiosa para a comunidade de sistemas de recomendação, várias características são também avaliadas e comparadas com ferramentas existentes, tais como extensibilidade, reutilização e reprodutibilidade. | pt_PT |
| dc.description.abstract | The current increase in available options makes individuals feel overwhelmed whenever facing a decision, resulting in a frustrating and time-consuming user experience. Recommender systems are a fundamental tool to solve this issue, filtering out the options that are most likely to be irrelevant for each person. Developing these systems presents us with a vast number of challenges, making it a difficult task to accomplish. To this end, various frameworks to aid their development have been proposed, helping reducing development costs by offering reusable tools, as well as implementations of common strategies and popular models. However, it is still hard to find a framework that also provides full abstraction over data set conversion, support for deep learning-based approaches, extensible models, and reproducible evaluations. This work introduces DRecPy, a novel framework that not only provides several modules to avoid repetitive development work, but also to assist practitioners with the above challenges. DRecPy contains modules to deal with: data set import and conversion tasks; splitting data sets for model training, validation, and testing; sampling data points using distinct strategies; creating extensible and complex recommenders, by following a defined but flexible model structure; together with many evaluation procedures that provide deterministic results by default. To evaluate this new framework, its consistency is analyzed by comparing the results generated by DRecPy against the results published by others using the same algorithms. Also, to show that DRecPy can be a valuable tool for the recommender systems’ community, several framework characteristics are evaluated and compared against existing tools, such as extensibility, reusability, and reproducibility. | pt_PT |
| dc.identifier.tid | 202599639 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10451/45148 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Ferramentas de Software | pt_PT |
| dc.subject | Sistemas de Recomendação | pt_PT |
| dc.subject | Aprendizagem Profunda | pt_PT |
| dc.subject | Avaliação | pt_PT |
| dc.subject | Implementação | pt_PT |
| dc.subject | Extensibilidade | pt_PT |
| dc.subject | Reprodutibilidade | pt_PT |
| dc.subject | Teses de mestrado - 2020 | pt_PT |
| dc.title | Recommender Systems Based on Deep Learning Techniques | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Ciência de Dados | pt_PT |
Ficheiros
Principais
1 - 1 de 1
A carregar...
- Nome:
- ulfc125997_tm_Fábio_Colaço.pdf
- Tamanho:
- 1.25 MB
- Formato:
- Adobe Portable Document Format