Καραβέλη Ιφιγένεια (Υποψήφιος Διδάκτορας)

Τίτλος διατριβής: Μέθοδοι μηχανικής μάθησης που βασίζονται σε γραφήματα για την παροχή εξατομικευμένων συστάσεων

Επιβλέπων: Σαλαμπάσης Μιχάλης

Μέλη Συμβουλευτικής Επιτροπής:

Κωνσταντίνος Διαμαντάρας, Καθηγητής, Τμήμα Μηχανικών Πληροφορικής & Ηλεκτρονικών Συστημάτων, ΔΙΠΑΕ
Γεώργιος Σταλίδης, Αναπ. Καθηγητής, Τμήμα Διοίκησης Οργανισμών Μάρκετινγκ & Τουρισμού, ΔΙΠΑΕ

Περίληψη:

Ένα από τα δημοφιλή προβλήματα που αντιμετωπίζονται με αυτήν τη νέα μεθοδολογία είναι η παροχή προσωποποιημένων συστάσεων. Τα συστήματα συστάσεων είναι εργαλεία για την εύρεση σχετικών πληροφοριών μεταξύ των συνεχώς αυξανόμενων επιλογών και έχουν διαδοθεί πάρα πολύ στον ψηφιακό κόσμο. Οι χρήστες συστήνουν αντικείμενα, ταινίες ή οποιοδήποτε είδος περιεχομένου, που θεωρείται ενδιαφέρον για αυτούς. Αυτές οι συστάσεις βασίζονται συνήθως σε χαρακτηριστικά χρηστών ή αντικειμένων ή στα προηγούμενα κλικ, αγορές και αλληλεπιδράσεις των χρηστών. Τα διαθέσιμα δεδομένα αντιπροσωπεύονται καλύτερα σε ένα γράφημα. Τα GNNs μπορούν να αξιοποιήσουν τόσο πληροφορίες με βάση το περιεχόμενο (χαρακτηριστικά χρήστη και αντικειμένου) όσο και την δομή του γραφήματος (αλληλεπιδράσεις χρηστή-αντικειμένου,) ενώ συνήθως, τα παραδοσιακά μοντέλα μπορούν να αξιοποιήσουν μόνο ένα από τα δύο. Το χαρακτηριστικό ενός GNN είναι ότι χρησιμοποιεί μια μορφή νευρωνικού μηνύματος με αποτέλεσμα να ανταλλάσσονται πληροφορίες μεταξύ κόμβων και να ενημερώνονται χρησιμοποιώντας νευρωνικά δίκτυα (Gilmer et al., 2017). Το μοντέλο συγκεντρώνει μηνύματα από τους γείτονες του γραφήματος και με τη σειρά τους, τα μηνύματα που προέρχονται από αυτούς τους γείτονες είναι βάσει πληροφοριών που
συγκεντρώνονται από τις αντίστοιχες γειτονιές τους, και ούτω καθεξής. Στα GNNs δημιουργούνται αναπαραστάσεις για όλους τους χρήστες και τα αντικείμενα. Για όλους τους χρήστες, προβλέπουμε το αντικείμενο της προτίμησής τους χρησιμοποιώντας τις αναπαραστάσεις. Η δημιουργία ενσωματώσεων γίνεται μέσω της διάδοσης πληροφοριών, που ονομάζεται επίσης νευρωνική μετάδοση μηνυμάτων. Η πρόβλεψη των προτιμήσεων μπορεί να γίνει μέσω της ομοιότητας του συνημιτόνου. Το μοντέλο GNN αποτελείται από όσα επίπεδα επιθυμούμε. Κάθε επίπεδο πραγματοποιεί ανταλλαγή πληροφοριών μεταξύ όλων των άμεσων γειτόνων στο γράφημα και ο αριθμός των επιπέδων καθορίζει το πόσο μακριά διαδίδονται οι πληροφορίες. Οι αναπαραστάσεις που δημιουργούνται χρησιμοποιούνται για να προβλέψουν την πιθανότητα να υπάρχει σύνδεση μεταξύ δύο κόμβων.