|
|
Systém pro doporučování filmů
Janko, Pavel ; Zbořil, František (oponent) ; Šůstek, Martin (vedoucí práce)
Tato práce se zabývá především přístupy k sestrojení systému pro doporučování filmů. Je zde obecně popsán princip neuronových sítí a rovněž jsou zde shrnuty základní i pokročilé techniky pro tvorbu doporučovacích systémů. Jádrem práce je návrh, implementace a experimentování se systémem, jehož cílem je doporučování filmů na základě dat pocházejících z volně dostupných datových sad. Pro předpovědi hodnocení, které by uživatel udělil filmům po jejich shlédnutí, systém využívá faktorizační model založený na kolaborativním filtrování. Práce dále řeší souvislosti konfigurace hyperparametrů modelu s přesností doporučení, provádění experimentů za účelem zlepšení přesnosti modelu a nakonec srovnání modelu s existujícími řešeními.
|
|
|
Doporučování filmů na základě uživatelských profilů ČSFD
Janko, Pavel ; Šůstek, Martin (oponent) ; Uhlíř, Václav (vedoucí práce)
Tato práce se zabývá problematikou využití neuronových sítí pro doporučování filmů. Je zde obecně popsán princip využití neuronových sítí u strojového učení a rovněž jsou zde shrnuty základní i pokročilé techniky pro tvorbu doporučovacích systémů. Jádrem práce je návrh, implementace a zhodnocení systému, jehož cílem je doporučování filmů na základě dat vydolovaných z uživatelských profilů ČSFD (Česko-Slovenské filmové databáze). Pro splnění tohoto účelu systém využívá explicitní faktorizační model založený na kolaborativním filtrování mezi položkami k co nejpřesnějšímu odhadu hodnocení, které by uživatel filmu po jeho shlédnutí udělil. Práce dále řeší souvislost obsáhlosti datové sady a přesnosti doporučení a demonstruje tuto přesnost analýzou zpětné vazby uživatelů.
|
|
|
Neuronové sítě pro doporučování knih
Gráca, Martin ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá oblastí Doporučovacích systémů využívající Hluboké neuronové sítě a jejich využití při doporučování knih. Jsou zde rozebrány tradiční doporučovací systémy a jejich reprezentace i systémy s pokročilejšími technikami na základě strojového učení. Jádrem práce je uplatnění konvolučních neuronových sítí pro zpracování přirozeného jazyka a vytvoření hybridního knižního doporučovacího systému. Navržený systém doporučuje na základě uživatelských dat, včetně uživatelských recenzí a knižních textových dat. Na vytvořené datové sadě systém dosahuje chyby RMSE 1,086.
|
|
|
Neuronové sítě pro doporučování knih
Gráca, Martin ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá oblastí doporučovacích systémů využívající hluboké neuronové sítě pro doporučování knih. Jsou zde rozebrány tradiční doporučovací systémy a jejich reprezentace i systémy s pokročilejšími technikami na základě strojového učení. Jádrem práce je uplatnění konvolučních neuronových sítí pro zpracování přirozeného jazyka a vytvoření hybridního knižního doporučovacího systému. Navržený systém obsahuje faktorizaci matice jako techniku kolaborativního filtrování a doporučuje na základě minulých uživatelských hodnocení a knižních metadat, včetně textového popisu knih. Navrhl jsem 2 modely, jeden s bag-of-words a druhý s konvoluční sítí. Oba modely dosahují lepších výsledků než baseline metody. Na vytvořené datové sadě, která byla vytvořena z knižní databáze Goodreads, dosahuje model s konvoluční sítí ještě lepšího výsledku než model s BOW.
|
|
|
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.
|
|
|
Systém pro doporučování filmů
Hnatovskyj, Vítek ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zaměřuje na systém pro doporučování filmů. Nejdříve je popsána problematika doporučovacích systémů obecně a jsou popsány jednotlivé typy těchto systémů. Hlavním cílem je implementovat systém, který uživateli doporučí relevantní filmy na základě jeho preferencí. Tento systém je hybridní a skládá se ze systému založeném na obsahu a systému kolaborativního filtrování. Pro otestování systému je implementována jednoduchá aplikace, která je v této práci také popsána. Následně je systém evaluován za pomoci offline metrik a také pomocí testování na uživatelích.
|
|
|
Systém pro doporučování filmů
Janko, Pavel ; Zbořil, František (oponent) ; Šůstek, Martin (vedoucí práce)
Tato práce se zabývá především přístupy k sestrojení systému pro doporučování filmů. Je zde obecně popsán princip neuronových sítí a rovněž jsou zde shrnuty základní i pokročilé techniky pro tvorbu doporučovacích systémů. Jádrem práce je návrh, implementace a experimentování se systémem, jehož cílem je doporučování filmů na základě dat pocházejících z volně dostupných datových sad. Pro předpovědi hodnocení, které by uživatel udělil filmům po jejich shlédnutí, systém využívá faktorizační model založený na kolaborativním filtrování. Práce dále řeší souvislosti konfigurace hyperparametrů modelu s přesností doporučení, provádění experimentů za účelem zlepšení přesnosti modelu a nakonec srovnání modelu s existujícími řešeními.
|
|
|
Doporučování filmů na základě uživatelských profilů ČSFD
Janko, Pavel ; Šůstek, Martin (oponent) ; Uhlíř, Václav (vedoucí práce)
Tato práce se zabývá problematikou využití neuronových sítí pro doporučování filmů. Je zde obecně popsán princip využití neuronových sítí u strojového učení a rovněž jsou zde shrnuty základní i pokročilé techniky pro tvorbu doporučovacích systémů. Jádrem práce je návrh, implementace a zhodnocení systému, jehož cílem je doporučování filmů na základě dat vydolovaných z uživatelských profilů ČSFD (Česko-Slovenské filmové databáze). Pro splnění tohoto účelu systém využívá explicitní faktorizační model založený na kolaborativním filtrování mezi položkami k co nejpřesnějšímu odhadu hodnocení, které by uživatel filmu po jeho shlédnutí udělil. Práce dále řeší souvislost obsáhlosti datové sady a přesnosti doporučení a demonstruje tuto přesnost analýzou zpětné vazby uživatelů.
|
|
|
Neuronové sítě pro doporučování knih
Gráca, Martin ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá oblastí Doporučovacích systémů využívající Hluboké neuronové sítě a jejich využití při doporučování knih. Jsou zde rozebrány tradiční doporučovací systémy a jejich reprezentace i systémy s pokročilejšími technikami na základě strojového učení. Jádrem práce je uplatnění konvolučních neuronových sítí pro zpracování přirozeného jazyka a vytvoření hybridního knižního doporučovacího systému. Navržený systém doporučuje na základě uživatelských dat, včetně uživatelských recenzí a knižních textových dat. Na vytvořené datové sadě systém dosahuje chyby RMSE 1,086.
|
|
|
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.
|
host ::
RSS.