|
|
User preference visualization for music
Gajdušek, Pavel ; Peška, Ladislav (vedoucí práce) ; Škoda, Petr (oponent)
Většina on-line hudebních portálů nabízí uživatelům seznamy doporučených skladeb, které jsou výstupem "black-box" doporučovacích algoritmů. Doporučení často bývá pro uživatele netransparentní a případné doporučení nebo přehrávání irelevantního obsahu tak má výraznější negativní dopady. Doporučování probíhá především na základě vy- počtených podobností mezi uživateli nebo objekty založené buď na kolaborativním prin- cipu, nebo podobnosti vlastního obsahu. Tato bakalářská práce si klade za cíl navrhnout a implementovat vhodnou vizualizaci těchto vztahů ve formě interaktivního grafu pro konkrétní uživatele platformy Spotify. Vizualizace by měla uživatelům pomoci uvědomit si, že jejich data obsahují vnitřní struktury, ze kterých vychazí doporučování skladeb a umělců. Výstupní program by měl také umožnit přehrávání skladeb obsažených v grafu. 1
|
|
|
Framework Supporting Online Evaluation of Recommender Systems
Novák, Ondřej ; Peška, Ladislav (vedoucí práce) ; Balcar, Štěpán (oponent)
Touto prací se snažíme vyzdvihnout důležitost online evaluace pro testování doporučovacích systémů. Nejprve se podíváme na metody a způsoby, jakými moderní doporučovací systémy fungují. Také uvedeme, jak jsou porovnávány jak v online, tak v offline prostředích. S pomocí těchto znalostí si dáváme za cíl vytvořit .NET framework, který bude schopen sledovat různé doporučovací systémy a jehož cílem bude měření a porovnávání jejich výkonu během online provozu. Na ukázku funkcionality tohoto frameworku s jeho pomocí vytvoříme maketu online filmové databáze, kde uživatelé mohou hodnotit filmy a získávat doporučení.
|
|
|
Recommender System for Web Articles
Kočí, Jan ; Kesiraju, Santosh (oponent) ; Fajčík, Martin (vedoucí práce)
Recommender systems for web articles are the main interest of this thesis. It explains the most popular approaches used to build these systems, proposes a neural-network-based architecture applying the Skip-gram inspired negative sampling method to the recommendation problem, implements this architecture together with several other models, using Singular value decomposition, collaborative filtering with Alternating Least Squares (ALS) algorithm and a content-based approach using the Doc2Vec algorithm to create document vectors from the obtained articles. Finally, it implements three evaluation metrics - namely the RANK metric, Recall at k and Precision at k - and compares the models with state-of-the-art. Apart from that it also gives a brief discussion on the role and purpose of these systems together with the motivation of using them.
|
|
|
Educational System for Recommending Study Activities
Zapletal, Jakub ; Bartík, Vladimír (oponent) ; Burget, Radek (vedoucí práce)
The purpose of this work is to design and implement a module for an already existing recommender system at the Open University, Milton Keynes. The existing system uses information about user activity in the Virtual Learning Environment (VLE) gathered from previous years and uses it to recommend relevant study activities for students.This module uses semantical similarity of study materials to recommend those which help user to~complete an~assignment or to find materials similar to ones provided.Similarities between documents are computed using Term Frequency - Inverse Document Frequency and word embedding methods.RESTful API was devised to communicate with the OU~Analyse interface.
|
|
|
Doporučování hudebního obsahu založené na technikách získávání hudební informace
Semela, René ; Schimmel, Jiří (oponent) ; Kiska, Tomáš (vedoucí práce)
Tato práce se zabývá návrhem, implementací a testováním obsahově založeného systému pro doporučování hudebního obsahu založeném na technikách získávání hudební informace. V úvodu je pozornost věnována problematice získávání hudebních informací, oblastem jejich využití a nástrojům pro jejich získávání. V další řadě jsou popsány nejpoužívanější typy doporučovacích systémů včetně jejich typických problémů. Jako další jsou zmíněny možnosti hybridizace těchto systémů a jako příklad jsou zmíněny populární systémy pro doporučování hudby včetně nástinu principu jejich činnosti. Následující část je věnována parametrizaci hudebních děl a věnuje se popisu konkrétních nejpoužívanějších parametrů. Další část je potom věnována návrhu obsahově založeného doporučovacího systému včetně vytyčení konkrétních parametrů sloužících k diferenciaci hudebních nahrávek pomocí algoritmu mRMR a dalších postupů. Samotný návrh doporučovacího systému je orientován na klasifikační algoritmus k-nejbližších sousedů. Dále je věnována pozornost modelu uživatelského vkusu zaznamenávaného pomocí Rocchio algoritmu. V druhé polovině této práce je systém implementován podle návrhu a je zde popsána jeho činnost včetně procesů probíhajících na pozadí. Závěr práce se potom věnuje testování systému na skupině uživatelů a následnému vyhodnocení.
|
|
|
Doporučování se zaměřením na kulturní portály
Vytisková, Zuzana ; Peška, Ladislav (vedoucí práce) ; Kopecký, Michal (oponent)
Diplomová práce se zabývá tématem doporučování v kultuře. V teoretické části srovnává doporučování digitálně dostupných děl s doporučováním akcí, což slouží jako východisko pro popis doporučování na kulturním portálu. Dále práce zkoumá model domény jako několika různých, vzájemně provázaných typů objektů. Využití těchto vazeb pro obohacování datových sad umožňuje překonat nízkou hustotu dat a zlepšit výsledky doporučování. Práce dále zkoumá dvě běžné situace praktického doporučování, doporučování obecnému uživateli s minimálním profilem a doporučování registrovanému uživateli se známou historií. Pro účely jejich řešení byly implementovány hybridní algoritmy založené na zapojení obsahových informací do již existujících metod kolaborativního filtrování. Výsledky jsou ověřeny v offline testech na datových sadách výzkumného i reálného charakteru. Subjektivní kvalita výsledných doporučení byla zkoumána prostřednictvím uživatelské studie.
|
|
|
Metodický postup zavedení doporučovacího systému s využitím nástroje Soyka
Müller, Petr ; Gála, Libor (vedoucí práce) ; Fanta, Michal (oponent)
Tato diplomová práce se zabývá problematikou personalizace obsahu, specificky doporučovacími systémy. Cílem práce je navrhnout metodický postup zavedení doporučovacího systému v prostředí elektronického obchodování s využitím IT nástroje Soyka. Na základě teoretického vymezení doporučovacích systémů a jejich technologických přístupů jsou identifikovány funkce personalizačních nástrojů, které přímo souvisí s doporučovacími systémy. Dle identifikovaných funkcí je vymezena pozice nástroje Soyka, který je předmětem navrženého metodického postupu. Přínosem práce je vytvoření a publikace metodického postupu, který lze využít v praxi, a to všemi osobami, které jsou zainteresované na projektech zavádění nástroje Soyka.
|
|
|
Books Recommender System via Linked Open Data
Maleček, Ladislav ; Peška, Ladislav (vedoucí práce) ; Škoda, Petr (oponent)
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.
|
|
|
Recommender systems - models, methods, experiments
Peška, Ladislav ; Vojtáš, Peter (vedoucí práce) ; Jannach, Dietmar (oponent) ; Krátký, Michal (oponent)
Tato práce se zaměřuje na oblast doporučovacích systémů a učení preference uživatele. Koncentrovali jsme se především na specifika doporučování na menších e-commerce projektech a získávání implicitní zpětné vazby. Oproti jiným publikovaným pracem jsme se zaměřili na modelování vícero různých indikátorů zpětné vazby a navrhli jsme několik metod učení uživatelské preference na základě těchto indikátorů. Další části disertační práce se zaměřují na specifické problémy doporučování na malých e- commerce portálech: výběr doporučovacích algoritmů, používání externích datových zdrojů atd. Navrhované modely, metody I algoritmy byly porovnávány v off-line experimentech na reálných datasetech i v on-line experimentech za ostrého provozu. Powered by TCPDF (www.tcpdf.org)
|
|
|
Content based Recommendation from Explicit Ratings
Ferenc, Matej ; Vojtáš, Peter (vedoucí práce) ; Peška, Ladislav (oponent)
V této práci porovnáváme několik modelů pro predikci uživatelských preferencí. Hlavním zaměřením jsou tzv. Content Based modely, které pracují s metadatami o objektech, které doporučujeme. Ty jsou srovnány s dalšími modely, které metadata neberou do úvahy. Pro získaní výsledků používáme tři datasety a tři metriky. Cílem diplomové práce je zjistit, jak můžou metadata o uživatelích a objektech zlepšit standardní modely pro doporučení. Výsledkem ale je, že metadata sice můžou zlepšit doporučení v některých případech, záleží ale na datasetu a na metrice, která byla použita. Toto zlepšení většinou není významné.
|
host ::
RSS.