Název:
Doporučovací systém pro knihy založený na Linked Open Datech
Překlad názvu:
Books Recommender System via Linked Open Data
Autoři:
Maleček, Ladislav ; Peška, Ladislav (vedoucí práce) ; Škoda, Petr (oponent) Typ dokumentu: Bakalářské práce
Rok:
2017
Jazyk:
eng
Abstrakt: [eng][cze] This thesis focuses on using recommender system's methods on Linked Open Data in a domain of books. After thorough analysis of multiple available Linked Open Data sets, we have concluded that data sets of sufficient size and quality already exist. Together with careful analysis of the structure and quality of the data, recommender system web application has been developed based on retrieved data from a Wikidata endpoint. The application design allows an incorporation of data from multiple sources. A novel approach for generating recommendations utilizing multi language tags extracted from Wikipedia was used. We have shown that it is possible and viable to use recommender systems on top of the Linked Open Data, but the common recommender system's algorithms have to be modified in order to deal with a huge amount of sparsity in the data.Tato bakalářská práce se zaměřuje na použití metod doporučovacích systémů společně s Open Linked Data v doméně knih. Po důkladné analýze vícero dos- tupných zdrojů otevřených dat bylo usouzeno, že data dostatečné velikosti a kval- ity již existují. Po rozboru struktury těchto dat byl na základě získaných informací ze zdroje Wikidata vytvořen doporučovací systém ve formě webové aplikace. De- sign aplikace umožňuje rozšíření o další zdroje otevřených dat. Byl použit nový přístup pro generování doporučení, který využívá vícejazyčných tagů vytěžených z Wikipedie. Ukázali jsme, že je opravdu možné použít doporučovací systémy společně s Open Linked Data, ale díky zvýšené řídkosti dat je potřeba upravit standardní metody doporučovacích algoritmů odpovídajícím způsobem.
Klíčová slova:
Doporučovací systémy; knihy; linked open data; sémantický web; uživatelské preference; books; linked open data; recommender systems; semantical web; user preferences