Μαστοράκης, ΓεώργιοςMastorakis, GeorgiosΜπλαζαντωνάκη, ΑικατερίνηBlazantonaki, Aikaterini2025-04-082025-04-082025-04-08https://apothesis.hmu.gr/handle/123456789/11311Τα 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.Recommender systems are one of the most critical fields of artificial intelligence and machine learning, playing a key role in shaping user experiences across various digital platforms. From e-commerce and streaming services to social networks and online search engines, these systems analyze user data and provide personalized recommendations to enhance engagement and satisfaction. This study examines the fundamental principles of recommender systems, focusing on the main methods employed, including collaborative filtering, content-based filtering, and hybrid systems that combine both approaches for optimized results. The study analyzes the advantages of these systems, such as improving user experience, increasing engagement, and strengthening business strategies, while also addressing the challenges that arise. Special emphasis is given to data privacy, algorithmic transparency, and the "filter bubble" phenomenon, where users are exposed only to homogeneous content, limiting the diversity of information they receive. Furthermore, case studies from major platforms such as Netflix, Amazon, YouTube, and Spotify are presented, analyzing their strategies and how they utilize deep learning and neural networks to enhance recommendations. Finally, the study explores future trends in recommender systems, emphasizing innovations such as federated learning, which enables personalized recommendations without compromising user privacy, as well as new approaches to reducing algorithmic bias.elAttribution-NonCommercial-NoDerivs 3.0 United Statesσυστήματα συστάσεωναλγόριθμοιΑΙμηχανική μάθησηδεδομέναrecommendation systemsalgorithmsAImachine learningdataΜεταπτυχιακή Διατριβή