Πλοήγηση ανά Συγγραφέας "Blazantonaki, Aikaterini"

Τώρα δείχνει 1 - 1 of 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    AI driven content recommendation systems.
    (ΕΛΜΕΠΑ, Σχολή Επιστημών Διοίκησης και Οικονομίας (ΣΕΔΟ), ΠΜΣ Διοίκηση και Ψηφιακός Μετασχηματισμός, 2025-04-08) Μπλαζαντωνάκη, Αικατερίνη; Blazantonaki, Aikaterini; Μαστοράκης, Γεώργιος; Mastorakis, Georgios
    Τα συστήματα συστάσεων αποτελούν έναν από τους πιο κρίσιμους τομείς της τεχνητής νοημοσύνης και της μηχανικής μάθησης, διαδραματίζοντας καθοριστικό ρόλο στη διαμόρφωση της εμπειρίας των χρηστών σε διάφορες ψηφιακές πλατφόρμες. Από το ηλεκτρονικό εμπόριο και τις υπηρεσίες streaming, έως τα κοινωνικά δίκτυα και τις διαδικτυακές μηχανές αναζήτησης, τα συστήματα αυτά αναλύουν δεδομένα χρηστών και παρέχουν εξατομικευμένες προτάσεις με στόχο την αύξηση της αλληλεπίδρασης και της ικανοποίησης του χρήστη. Η παρούσα εργασία εξετάζει τις βασικές αρχές λειτουργίας των συστημάτων συστάσεων, εστιάζοντας στις κύριες μεθόδους που χρησιμοποιούνται, όπως το συνεργατικό φιλτράρισμα, το φιλτράρισμα βάσει περιεχομένου και τα υβριδικά συστήματα που συνδυάζουν τις δύο προσεγγίσεις για βελτιστοποιημένα αποτελέσματα. Η μελέτη αναλύει τα πλεονεκτήματα των συστημάτων αυτών, όπως η βελτίωση της εμπειρίας του χρήστη, η αύξηση της δέσμευσης και η ενίσχυση των επιχειρηματικών στρατηγικών, καθώς και τις προκλήσεις που προκύπτουν. Ιδιαίτερη έμφαση δίνεται στην προστασία των προσωπικών δεδομένων, στη διαφάνεια των αλγορίθμων και στο φαινόμενο του «φίλτρου φούσκας», όπου οι χρήστες εκτίθενται μόνο σε ομοιογενές περιεχόμενο, περιορίζοντας την ποικιλία των πληροφοριών που λαμβάνουν. Επιπλέον, παρουσιάζονται μελέτες περιπτώσεων από δημοφιλείς πλατφόρμες όπως το Netflix, η Amazon, το YouTube και το Spotify, αναλύοντας τις στρατηγικές που εφαρμόζουν και τον τρόπο με τον οποίο χρησιμοποιούν τεχνικές βαθιάς μάθησης και νευρωνικών δικτύων για τη βελτίωση των συστάσεων. Τέλος, η εργασία εξετάζει τις μελλοντικές τάσεις στον τομέα των συστημάτων συστάσεων, με έμφαση σε καινοτομίες όπως το federated learning, το οποίο επιτρέπει την εξατομίκευση των προτάσεων χωρίς παραβίαση της ιδιωτικότητας των χρηστών, καθώς και νέες προσεγγίσεις για τη μείωση της μεροληψίας των αλγορίθμων.