Název: Pravděpodobnostní modely pro doporučovací systémy
Překlad názvu: Probabilistic Models for Recommender Systems
Autoři: Ahmadli, Aydin ; Vomlelová, Marta (vedoucí práce) ; Peška, Ladislav (oponent)
Typ dokumentu: Diplomové práce
Rok: 2022
Jazyk: eng
Abstrakt: Recommender systems are software tools and techniques providing recommendations to users based on their needs. Today, popular e-commerce sites widely use recommender systems to recommend product items, articles, books, music, etc. In this thesis, we discuss various probabilistic models for recommender systems, and put the most focus on implementation of hybrid and interpretable probabilistic content-based collaborative filtering model, called Collaborative Topic model for Poisson distributed ratings (CTMP) augmented with Bernoulli randomness for Online Maximum a Posteriori Estimation (BOPE). Resulting model outperforms the previously existing models significantly with its main competency being in commercial product recommendations. It is a fast, scalable, and efficient in ill-posed cases, including short text and sparse data. The model is trained and tested on well-known MovieLens 20M and NETFLIX datasets, and empirical evaluations such as recall, precision, sparsity and topic interpretations are promising.
Klíčová slova: strojové učení|pravděpodobnostní modely|doporučovací systémy; Machine learning|Probabilistic models|Recommender system|Topic models

Instituce: Fakulty UK (VŠKP) (web)
Informace o dostupnosti dokumentu: Dostupné v digitálním repozitáři UK.
Původní záznam: http://hdl.handle.net/20.500.11956/175638

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-510570


Záznam je zařazen do těchto sbírek:
Školství > Veřejné vysoké školy > Univerzita Karlova > Fakulty UK (VŠKP)
Vysokoškolské kvalifikační práce > Diplomové práce