Hybridní doporučování pro doménu knih
| Název práce v češtině: | Hybridní doporučování pro doménu knih |
|---|---|
| Název v anglickém jazyce: | Hybrid recommender systems for books domain |
| Klíčová slova: | Hybridní doporučovací systémy|knihy|NLP|BERT |
| Klíčová slova anglicky: | hybrid recommender systems|books|NLP|BERT |
| Akademický rok vypsání: | 2021/2022 |
| Typ práce: | bakalářská práce |
| Jazyk práce: | čeština |
| Ústav: | Katedra softwarového inženýrství (32-KSI) |
| Vedoucí / školitel: | Mgr. Ladislav Peška, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 25.03.2022 |
| Datum zadání: | 29.03.2022 |
| Datum potvrzení stud. oddělením: | 26.04.2022 |
| Datum a čas obhajoby: | 07.09.2023 09:00 |
| Datum odevzdání elektronické podoby: | 20.07.2023 |
| Datum odevzdání tištěné podoby: | 20.07.2023 |
| Datum proběhlé obhajoby: | 07.09.2023 |
| Oponenti: | RNDr. Patrik Dokoupil |
| Zásady pro vypracování |
| Řešitel nejprve získá přehled v oblasti doporučovacích systémů: zaměří se jak na collaborative filtering, tak i na moderní přístupy ke content-based analýze obsahu a doporučování a možnosti kombinace obou přístupů (hybridní doporučovací systémy). Dále se pak zaměří na běžně používané technologie pro reálné nasazení doporučovacích systémů ve středně velkých projektech.
Cílem práce je navrhnout, implementovat a vyhodnotit hybridní doporučovací systém na knižní doméně. Hlavní výzkumnou otázkou je vyhodnocení použitelnosti moderních metod pro analýzu textu (např. BERT) pro doporučování knih - jak samostatně, tak i kombinované s kolaborativním filtrováním. Práce předpokládá využití reálných interakčních dat a nasaditelnost výsledného řešení v ostrém provozu středně velké e-commerce společnosti se zaměřením na prodej knih (dle volby řešitele). Zadání mimo jiné předpokládá řešení integrace externích datových zdrojů (např. GoodReads, Wikidata, DBPedia, Wikipedia), implementaci doporučovací komponenty v jazyce Python a REST-like interface pro vnější komunikaci. |
| Seznam odborné literatury |
| Ricci, F. et al (Eds): Recommender Systems Handbook, Springer, 2011
Charu C. Aggarwal: Recommender Systems: The Textbook, Springer, 2016 Alexandros Karatzoglou, Balázs Hidasi: Deep Learning for Recommender Systems (Tutorial). RecSys 2017: 396-397 He, Ruining and McAuley, Julian: VBPR: Visual Bayesian Personalized Ranking from Implicit Feedback, 2015 Vaswani, Ashish et al. Attention is All you Need. NIPS (2017). Devlin, Jacob et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL-HLT (2019). Raffel, Colin et al. Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer. ArXiv abs/1910.10683 (2019): Anelli, V.W., Bellini, V., Di Noia, T., La Bruna, W., Tomeo, P., Di Sciascio, E.: Ananalysis on time- and session-aware diversification in recommender systems. UMAP ’17, p. 270–274. ACM (2017). Bertani, R.M., A. C. Bianchi, R., Costa, A.H.R.: Combining novelty and popularityon personalised recommendations via user profile learning. Expert Systems with Applications 146, 113149 (2020). Jacopo Tagliabue. You Do Not Need a Bigger Boat: Recommendations at Reasonable Scale in a (Mostly) Serverless and Open Stack. Fifteenth ACM Conference on Recommender Systems, ACM, 2021 |