Σύγκριση αλγορίθμων τεχνητής νοημοσύνης για συστήματα συστάσεων
ENGLISH ABSTRACT This study focuses on the comparison and evaluation of artificial intelligence algorithms for recommender systems. These systems play an important role in the modern digital economy, as they improve the user experience and enhance the targeted promotion of products and services. The aim of this study is to analyze the performance of different recommendation algorithms, with a focus on cooperation filtering and matrix factorization methods, and to investigate the effectiveness of hybrid models. The methodology was based on quantitative research with a positivist approach, using existing datasets from the Amazon platform. The algorithms evaluated are SlopeOne, NMF (Non-Negative Matrix Factorization) and SVD (Singular Value Decomposition), as well as a hybrid algorithm of the Ensemble type, which combines the predictions of the three models. The data were subjected to pre-processing, and evaluation was performed through metrics such as accuracy and RMSE (Root Mean Squared Error). The analysis and implementation of the models was performed in a Python environment, utilizing libraries such as Surprise. The results showed that the SVD algorithm achieves the highest accuracy, with the lowest RMSE value (1.305). The hybrid algorithm also showed improved performance compared to NMF and SlopeOne, leveraging the strengths of each individual model. The results confirm the usefulness of the combined approaches, as they provide greater stability and accuracy in the predictions. The research confirms that the selection and combination of algorithms significantly affect the performance of recommendation systems. Incorporating hybrid approaches is a cost-effective strategy for improving recommendations, especially in digital marketing environments. Future research could focus on using more sophisticated techniques, such as neural networks, to further improve the accuracy and adaptability of the systems.
Thesis
Η παρούσα εργασία εστιάζει στη σύγκριση και αξιολόγηση αλγορίθμων τεχνητής νοημοσύνης για συστήματα συστάσεων. Τα συστήματα αυτά διαδραματίζουν σημαντικό ρόλο στη σύγχρονη ψηφιακή οικονομία, καθώς βελτιώνουν την εμπειρία των χρηστών και ενισχύουν τη στοχευμένη προώθηση προϊόντων και υπηρεσιών. Στόχος της μελέτης είναι η ανάλυση της απόδοσης διαφορετικών αλγορίθμων συστάσεων, με έμφαση σε μεθόδους φιλτραρίσματος συνεργασίας και παραγοντοποίησης μητρών, καθώς και η διερεύνηση της αποτελεσματικότητας των υβριδικών μοντέλων. Η μεθοδολογία βασίστηκε σε ποσοτική έρευνα με θετικιστική προσέγγιση, χρησιμοποιώντας υπάρχοντα σύνολα δεδομένων από την πλατφόρμα Amazon. Οι αλγόριθμοι που αξιολογήθηκαν είναι οι SlopeOne, NMF (Non-Negative Matrix Factorization) και SVD (Singular Value Decomposition), καθώς και ένας υβριδικός αλγόριθμος τύπου Ensemble, ο οποίος συνδυάζει τις προβλέψεις των τριών μοντέλων. Τα δεδομένα υποβλήθηκαν σε προεπεξεργασία, ενώ η αξιολόγηση πραγματοποιήθηκε μέσω μετρικών όπως η ακρίβεια και το RMSE (Root Mean Squared Error). Η ανάλυση και υλοποίηση των μοντέλων πραγματοποιήθηκε σε περιβάλλον Python, αξιοποιώντας βιβλιοθήκες όπως το Surprise. Τα αποτελέσματα έδειξαν ότι ο αλγόριθμος SVD επιτυγχάνει την υψηλότερη ακρίβεια, με τη χαμηλότερη τιμή RMSE (1.305). Ο υβριδικός αλγόριθμος παρουσίασε επίσης βελτιωμένη απόδοση συγκριτικά με τους NMF και SlopeOne, αξιοποιώντας τα πλεονεκτήματα κάθε μεμονωμένου μοντέλου. Τα αποτελέσματα επιβεβαιώνουν τη χρησιμότητα των συνδυαστικών προσεγγίσεων, καθώς παρέχουν μεγαλύτερη σταθερότητα και ακρίβεια στις προβλέψεις. Η έρευνα επιβεβαιώνει ότι η επιλογή και ο συνδυασμός αλγορίθμων επηρεάζουν σημαντικά την απόδοση των συστημάτων συστάσεων. Η ενσωμάτωση υβριδικών προσεγγίσεων αποτελεί μια αποδοτική στρατηγική για τη βελτίωση των προτάσεων, ιδίως σε περιβάλλοντα ψηφιακού μάρκετινγκ. Μελλοντικές έρευνες θα μπορούσαν να επικεντρωθούν στη χρήση πιο εξελιγμένων τεχνικών, όπως νευρωνικά δίκτυα, για περαιτέρω βελτίωση της ακρίβειας και της προσαρμοστικότητας των συστημάτων.