Využití principů dolování datových toků v doporučovacích systémech

Abstract

Hlavním tématem diplomové práce je využití technik dolování dat z datových toků k doporučování novinových článků. V teoretické části jsou rozebrány principy doporučovacích systémů a jejich testování. Dále jsou popsány principy, které se v algoritmech na dolování dat z datových toků využívají. V rešerši jsou zkoumána existující řešení v doméně novinových článků a platforma, která je k experimentování použita. V části dolování dat je popsán proces získání informací a analyzována data, která jsou použita k experimentům. Proudový algoritmus implementuje různé parametrizovatelné techniky vytěžování datových toků. V experimentální části jsou zkoumány vlivy jednotlivých technik a heuristik na měřené metriky. Experimenty jsou rozděleny do kategorii dle následujích heuristik: náhodný výběr, populárnost, iterátor a nedávno navštívený článek. Testování je provedeno na platformě StreamingRec. V závěru práce je shrnutí vhodnosti technik k doporučování položek v doméně novinových článků.

Main topic of this master thesis is usage of data stream mining techniques in news recommendation systems. In theoretical part are described principles of recommendation systems, data mining and data streams. In previous work are revised existing algorithms in this domain and platform, that can be used for evaluation of recommendation system. In the data mining part is described the process of gathering information from the data stream and analyzed data, that are used for experiments. Streaming algorithm implements various parameterized techniques for data stream mining. Experiments are divided by following heuristics: random selection, popularity, iterator and recently visited article. Evaluation of experiments is performed on StreamingRec platform. The conclusion summarizes the benefits of using data stream mining techniques in the news recommendation systems.