Hybridní doporučování pro doménu knih

• Thesis title in Czech: Hybridní doporučování pro doménu knih
• Thesis title in English: Hybrid recommender systems for books domain
• Key words: Hybridní doporučovací systémy|knihy|NLP|BERT
• English key words: hybrid recommender systems|books|NLP|BERT
• Academic year of topic announcement: 2021/2022
• Thesis type: Bachelor's thesis
• Thesis language: čeština
• Department: Department of Software Engineering (32-KSI)
• Supervisor: Mgr. Ladislav Peška, Ph.D.
• Author: hidden - assigned and confirmed by the Study Dept.
• Date of registration: 25.03.2022
• Date of assignment: 29.03.2022
• Confirmed by Study dept. on: 26.04.2022
• Date and time of defence: 07.09.2023 09:00
• Date of electronic submission: 20.07.2023
• Date of submission of printed version: 20.07.2023
• Date of proceeded defence: 07.09.2023
• Opponents: RNDr. Patrik Dokoupil

Guidelines

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.

References

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