dc.contributor.author | Kirjackaja, Lidija | |
dc.date.accessioned | 2023-09-18T09:07:23Z | |
dc.date.available | 2023-09-18T09:07:23Z | |
dc.identifier.uri | https://etalpykla.vilniustech.lt/handle/123456789/110356 | |
dc.description.abstract | The problem addressed in this paper concerns personalized news recommendation based on short user activity sessions. The graph-based algorithms were chosen to be investigated, as they show a growing potential facing the pressing need of modern recommender systems to provide users with explanations of the built recommendations. The aim of the work was to analyze existing algorithms and find the ways to improve their performance in terms of various quality assessment factors. Well-known graph-based algorithms, such as Random Walk with Restart, PathSim, SimRank, and their variations were implemented, evaluated and compared using different evaluation settings. It appeared to be challenging to beat outstanding recommendation accuracy of a simple popularity-based approach, however, at the end a novel method was proposed which looks promising with regard to both recommendation accuracy and explainability. The proposed way of explaining recommendations is based on graph meta paths and has a clear semantic reasoning behind. The thesis consists of: 65 p. of text without appendices, 21 figures, 27 tables. | eng |
dc.description.abstract | Šiame baigiamajame magistro darbe nagrinėjama personalizuotų naujienų rekomendavimo problema remiantis trumpomis vartotojų aktyvumo sesijomis. Grafais grįsti algoritmai buvo pasirinkti nagrinėjimui, kadangi jie rodo augantį potencialą sprendžiant moderniųjų rekomendacinių sistemų būtinybę teikti vartotojams rekomendacijų paaiškinimus natūralia kalba. Darbo tikslas buvo išanalizuoti egzistuojančius algoritmus ir rasti jų tobulintinas vietas, bei pasiūlyti naujus metodus, pagerinančius rekomendacijų kokybę įvairių kokybės vertinimo kriterijų atžvilgiu. Darbe buvo įgyvendinti, įvertinti ir palyginti gerai žinomi grafais grįsti rekomendaciniai algoritmai, tokie kaip Random Walk with Restart, PathSim, SimRank, ir jų variacijos. Buvo pasiūlytas naujas metodas, kuris parodė išskirtinius rezultatus ir rekomendacijų tikslumo, ir paaiškinamumo atžvilgiu. Pasiūlytas rekomendacijų paaiškinimo būdas yra grįstas grafo meta-kelių ir yra paremtas aiškia semantika. Darbo apimtis: 65 p. aiškinamojo rašto be priedų, 21 illiustacija, 27 lentelės. | lit |
dc.format | PDF | |
dc.format.extent | 66 p. | |
dc.format.medium | tekstas / txt | |
dc.language.iso | eng | |
dc.rights | Prieinamas tik institucijos intranete | |
dc.source.uri | https://talpykla.elaba.lt/elaba-fedora/objects/elaba:28963564/datastreams/MAIN/content | |
dc.title | Recommending News using Graph-based Algorithms | |
dc.title.alternative | Naujienų rekomendavimas taikant grafais grįstus algoritmus | |
dc.type | Magistro darbas / Master thesis | |
dcterms.references | 0 | |
dc.type.pubtype | ETD_MGR - Magistro darbas / Master thesis | |
dc.contributor.institution | Vilniaus Gedimino technikos universitetas | |
dc.subject.researchfield | N 009 - Informatika / Computer science | |
dc.subject.studydirection | B01 - Informatika / Informatics | |
dc.subject.lt | rekomendacinės sistemos | |
dc.subject.lt | rekomendaciniai algoritmai | |
dc.subject.lt | grafais grįsti algoritmai | |
dc.subject.lt | naujienų rekomendavimas | |
dc.subject.lt | paaiškinamos rekomendacijos | |
dc.subject.en | recommender systems | |
dc.subject.en | recommendation algorithms | |
dc.subject.en | graph-based algorithms | |
dc.subject.en | news recommendation | |
dc.subject.en | explained recommendations | |
dc.identifier.elaba | 28963564 | |