With the explosive growth of e-commerce and social media platforms, recommendation algorithms have become indispensable tools for many businesses. Recommender Systems are a subclass of information filtering systems that try to predict the preferences or the ratings that a user would give to a set of items. They are applicable in a variety of domains: from movies or songs recommendation to shopping recommendation. Depending on the available data, there is a rich collection of different techniques that can be employed to perform recommendations. These techniques are able to leverage some specific information contained in data and each category of algorithms is focused on a different type of data. Two main branches of recommender algorithms are often distinguished: collaborative filtering, whose recommendations depends on the past users' collective interactions with the items, and content-based, that associate users and items according to their characteristics (namely, attributes or content information). Recently, thanks to the sweeping availability of data, Deep Learning techniques have been adapted also to the Recommender Systems field in order to improve the two mentioned paradigms. Deep learning is a machine learning area based on neural networks. It allows to automatically build a high level abstraction of the problem from raw data (without the needed of hand-crafted features by experts, which will be mainly used in the inference process). This thesis aims to analyse one particular type of neural networks operator, the convolution, and some state-of-the-art models that leverage this technique. Some recent papers show that convolution is effectively able to learn high-order relations between data, but there are no sufficient evidences on the impacts and the correct usage of it. Furthermore, these articles completely ignore the topological properties that data should present in order to be properly processed by convolutional architectures and to obtain reasonable results. The main focus is on those articles and on the methodologies by which convolution is involved in the recommender systems scenario. Also, how effective it is and in which cases it can really outperform the classic techniques in terms of performance, computation time and required resources are considered.

Con l'esplosiva crescita delle piattaforme di e-commerce e dei social network, gli algoritmi di raccomandazione sono divenuti uno strumento indispensabile a molte attività. I Recommender Systems sono una particolare categoria di sistemi per il filtraggio dei contenuti che mirano a predire le preferenze o i rating che un utente assegnerebbe a un insieme di item. Sono applicabili ad una vasta gamma di scenari, a partire dal suggerire film, canzoni, fino a oggetti da acquistare. In base al tipo di dati disponibili, esiste una ricca varietà di tecniche diverse che possono essere impiegate per generare raccomandazioni. Queste tecniche sono in grado di sfruttare informazioni specifiche presenti nei dati a disposizione e ogni categoria di algoritmi si focalizza su un particolare tipo di dati. Gli algoritmi di raccomandazione sono solitamente distinti in due rami: collaborative filtering, le cui raccomandazioni dipendono dalla collettività di interazioni degli utenti con gli items avvenute in passato, e content-based, i quali associano utenti e items secondo le loro caratteristiche (chiamati attributi o contenuti). Di recente, grazie all'ampia disponibilità di dati, le tecniche di Deep Learning (Apprendimento profondo) sono state adottate anche nel campo dei Recommender Systems, allo scopo di migliorare i due paradigmi classici. Il deep learning è un campo del Machine Learning basato sulle reti neurali. Le tecniche di deep learning consentono di costruire automaticamente un'astrazione ad alto livello del problema, partendo dai dati non ancora elaborati (senza la necessità di estrarre features adatte da esperti del settore manualmente, le quali saranno poi utilizzate nel processo di predizione). Lo scopo di questa tesi è quello di analizzare un particolare tipo di operazione adottata all'interno delle reti neurali, la convoluzione, e un insieme di modelli dello stato dell'arte che sfruttano questa tecnica. Alcuni articoli, pubblicati negli ultimi anni, mostrano che la convoluzione è in grado di modellare efficacemente relazioni complesse tra i dati, ma non ci sono prove a sufficienza sull'effettivo impatto e sul corretto uso di essa. Inoltre, questi articoli ignorano completamente le proprietà topologiche che i dati dovrebbero presentare per poter essere gestiti in modo consono dalle architetture convoluzionali e ottenere risultati ragionevoli. L'attenzione è rivolta agli articoli aventi le caratteristiche sopra citate e alle metodologie secondo le quali la convoluzione è impiegata nello scenario dei sistemi di raccomandazione. In particolar modo, viene considerato anche quanto essa sia efficace e in quali situazioni sia in grado di raggiungere risultati migliori delle tecniche classiche in termini di prestazioni, tempo computazionale e risorse di calcolo richieste.

On the effectiveness of convolutional neural networks in modelling latent dimensions interactions for recommender systems

PARRONI, FEDERICO
2019/2020

Abstract

With the explosive growth of e-commerce and social media platforms, recommendation algorithms have become indispensable tools for many businesses. Recommender Systems are a subclass of information filtering systems that try to predict the preferences or the ratings that a user would give to a set of items. They are applicable in a variety of domains: from movies or songs recommendation to shopping recommendation. Depending on the available data, there is a rich collection of different techniques that can be employed to perform recommendations. These techniques are able to leverage some specific information contained in data and each category of algorithms is focused on a different type of data. Two main branches of recommender algorithms are often distinguished: collaborative filtering, whose recommendations depends on the past users' collective interactions with the items, and content-based, that associate users and items according to their characteristics (namely, attributes or content information). Recently, thanks to the sweeping availability of data, Deep Learning techniques have been adapted also to the Recommender Systems field in order to improve the two mentioned paradigms. Deep learning is a machine learning area based on neural networks. It allows to automatically build a high level abstraction of the problem from raw data (without the needed of hand-crafted features by experts, which will be mainly used in the inference process). This thesis aims to analyse one particular type of neural networks operator, the convolution, and some state-of-the-art models that leverage this technique. Some recent papers show that convolution is effectively able to learn high-order relations between data, but there are no sufficient evidences on the impacts and the correct usage of it. Furthermore, these articles completely ignore the topological properties that data should present in order to be properly processed by convolutional architectures and to obtain reasonable results. The main focus is on those articles and on the methodologies by which convolution is involved in the recommender systems scenario. Also, how effective it is and in which cases it can really outperform the classic techniques in terms of performance, computation time and required resources are considered.
FERRARI DACREMA, MAURIZIO
ING - Scuola di Ingegneria Industriale e dell'Informazione
18-dic-2019
2019/2020
Con l'esplosiva crescita delle piattaforme di e-commerce e dei social network, gli algoritmi di raccomandazione sono divenuti uno strumento indispensabile a molte attività. I Recommender Systems sono una particolare categoria di sistemi per il filtraggio dei contenuti che mirano a predire le preferenze o i rating che un utente assegnerebbe a un insieme di item. Sono applicabili ad una vasta gamma di scenari, a partire dal suggerire film, canzoni, fino a oggetti da acquistare. In base al tipo di dati disponibili, esiste una ricca varietà di tecniche diverse che possono essere impiegate per generare raccomandazioni. Queste tecniche sono in grado di sfruttare informazioni specifiche presenti nei dati a disposizione e ogni categoria di algoritmi si focalizza su un particolare tipo di dati. Gli algoritmi di raccomandazione sono solitamente distinti in due rami: collaborative filtering, le cui raccomandazioni dipendono dalla collettività di interazioni degli utenti con gli items avvenute in passato, e content-based, i quali associano utenti e items secondo le loro caratteristiche (chiamati attributi o contenuti). Di recente, grazie all'ampia disponibilità di dati, le tecniche di Deep Learning (Apprendimento profondo) sono state adottate anche nel campo dei Recommender Systems, allo scopo di migliorare i due paradigmi classici. Il deep learning è un campo del Machine Learning basato sulle reti neurali. Le tecniche di deep learning consentono di costruire automaticamente un'astrazione ad alto livello del problema, partendo dai dati non ancora elaborati (senza la necessità di estrarre features adatte da esperti del settore manualmente, le quali saranno poi utilizzate nel processo di predizione). Lo scopo di questa tesi è quello di analizzare un particolare tipo di operazione adottata all'interno delle reti neurali, la convoluzione, e un insieme di modelli dello stato dell'arte che sfruttano questa tecnica. Alcuni articoli, pubblicati negli ultimi anni, mostrano che la convoluzione è in grado di modellare efficacemente relazioni complesse tra i dati, ma non ci sono prove a sufficienza sull'effettivo impatto e sul corretto uso di essa. Inoltre, questi articoli ignorano completamente le proprietà topologiche che i dati dovrebbero presentare per poter essere gestiti in modo consono dalle architetture convoluzionali e ottenere risultati ragionevoli. L'attenzione è rivolta agli articoli aventi le caratteristiche sopra citate e alle metodologie secondo le quali la convoluzione è impiegata nello scenario dei sistemi di raccomandazione. In particolar modo, viene considerato anche quanto essa sia efficace e in quali situazioni sia in grado di raggiungere risultati migliori delle tecniche classiche in termini di prestazioni, tempo computazionale e risorse di calcolo richieste.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
Tesi_ConvolutionRS.pdf

accessibile in internet per tutti

Descrizione: Testo della tesi
Dimensione 4.46 MB
Formato Adobe PDF
4.46 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/152259