Témata prací (Výběr práce)Témata prací (Výběr práce)(verze: 384)
Detail práce
   Přihlásit přes CAS
Sparse Approximate Inverse for Enhanced Scalability in Recommender Systems
Název práce v češtině: Zlepšování škálovatelnosti doporučovacích systémů pomocí řídkých přibližných inverzů
Název v anglickém jazyce: Sparse Approximate Inverse for Enhanced Scalability in Recommender Systems
Klíčová slova: EASE^R|(Sparse) approximate inverse|recommender systems
Klíčová slova anglicky: EASE^R|(Sparse) approximate inverse|recommender systems
Akademický rok vypsání: 2022/2023
Typ práce: diplomová práce
Jazyk práce: angličtina
Ústav: Katedra softwarového inženýrství (32-KSI)
Vedoucí / školitel: Mgr. Ladislav Peška, Ph.D.
Řešitel: Mgr. Martin Spišák - zadáno a potvrzeno stud. odd.
Datum přihlášení: 20.12.2022
Datum zadání: 20.12.2022
Datum potvrzení stud. oddělením: 31.03.2023
Datum a čas obhajoby: 07.09.2023 09:00
Datum odevzdání elektronické podoby:20.07.2023
Datum odevzdání tištěné podoby:24.07.2023
Datum proběhlé obhajoby: 07.09.2023
Oponenti: Ing. Vojtěch Vančura
 
 
 
Konzultanti: prof. Ing. Miroslav Tůma, CSc.
Zásady pro vypracování
Embarrassingly Shallow AutoEncoder (EASE^R) je doporučovací model na princípe kolaboratívneho filtrovania, ktorý dosahuje výsledky na úrovni state-of-the-art na viacerých známych datasetoch. Medzi jeho výhody patrí existencia analytického riešenia, ale tréning modelu zahŕňa výpočet Gramovej matice príslušnej k matici používateľských hodnotení a následne výpočet jej inverzu. Natrénovaná váhová matica je hustá a môže byť príliš veľká na uloženie do pamäte, kvôli čomu je EASE^R nepoužiteľný na filtrovanie katalógov obsahujúcich priveľa položiek. Riešením tohto problému by mohlo byť nahradenie inverznej matice za jej riedku aproximáciu.

Riešiteľ najskôr získa prehľad v oblasti doporučovacích systémov, zameria sa primárne na techniky kolaboratívneho filtrovania (metódy na báze maticových rozkladov a hlbokého učenia) a význam autoenkodérov. Ďalej popíše model EASE^R (vrátane odvodenia analytického riešenia) a vysvetlí jeho prednosti a limitácie. Následne sa zoznámi s teóriou efektívnych výpočtov s riedkymi maticami, špeciálne s riedkym Choleského rozkladom, a rozoberie metódy výpočtu riedkych približných inverzov, používaných na konštrukciu predpodmienenia pre iteračné riešiče sústav lineárnych rovníc. Na základe špecifických vlastností problému riešiteľ vyberie vhodnú metódu na výpočet riedkeho približného inverzu (prípadne navrhne vlastnú) a porovná kvalitu modifikovaného doporučovacieho systému oproti pôvodnému modelu EASE^R na niekoľkých populárnych datasetoch.
Seznam odborné literatury
1. Ricci, Francesco & Rokach, Lior & Shapira, Bracha. (2022). Recommender Systems Handbook. https://link.springer.com/book/10.1007/978-1-0716-2197-4.
2. Kim Falk: Practical Recommender Systems, Manning, 2019
3. Steck, Harald. (2019). Embarrassingly Shallow Autoencoders for Sparse Data.
4. Benzi, M., & Tuma, M. (1999). A comparative study of sparse approximate inverse preconditioners. Applied Numerical Mathematics, 30, 305-340.
5. Benzi, Michele. (1996). A Sparse Approximate Inverse Preconditioner For The Conjugate Gradient Method. SIAM J Sci Comput. 17. 10.1137/S1064827594271421.
6. Huckle, T., Sedlacek, M. (2011). SPAI (SParse Approximate Inverse). In: Padua, D. (eds) Encyclopedia of Parallel Computing. Springer, Boston, MA. https://doi.org/10.1007/978-0-387-09766-4_144
 
Univerzita Karlova | Informační systém UK