Prejsť na obsah
dizertácie

Dovoľujeme si oznámiť, že dňa

21. 2. 2014 o 11.15 hod.

sa uskutoční na Fakulte informatiky a informačných technológií STU v Bratislave
Ilkovičova 2, v miestnosti 3.08 obhajoba dizertačnej práce

Ing. Dušana Zeleníka

Názov dizertačnej práce:     Reducing the Sparsity of Contextual Information for Recommendation
Redukovanie riedkosti informácií o kontexte pre potreby odporúčania
Odbor:     9.2.5. Softvérové inžinierstvo

Školiteľ:

  • prof. Ing. Mária Bieliková, PhD., FIIT STU v Bratislave

Oponenti dizertačnej práce:

  • doc. RNDr. Petr Šaloun, Ph.D - FEI VŠB TU Ostrava
  • doc. Ing. Kristína Machová, PhD. - FEI TU v Košiciach

Abstrakt:

    Pre potreby spresnenia odporúčania v rôznych systémoch využívame kontext ako ďalší rozmer informačného priestoru. Ten nám napovedá viac k relevantnosti jednotlivých položiek, ktoré sú predmetom odporúčania. Často nie je jednoduché tieto informácie získať, či už preto, že ich používateľ si nepraje priamo zdieľať (socio-demografické informácie, lokalita), alebo preto, že tieto informácie nemáme možnosť pozorovať (zdravotný stav, psychologický stav). Navrhli sme metódu odvodenia chýbajúcich informácií o kontexte na základe informácií, ktoré vieme získať o používateľoch. Využívame pritom techniky strojového učenia a overujeme ich výstupy v reálnom prostredí s informáciami nazbieranými vo viacerých doménach (čítanie článkov, sociálne siete, hodnotenie filmov).

    In order to make recommendation more precise in various systems we focus on contextual information as another aspect of information space. A context could be used for estimation of item relevance which are subject to further recommendation. However, it is often not trivial to obtain information on context. Users are not willing to share this information (socio-demographic, location) or we simply have no possibilities to collect it (mental condition or physical health). We proposed a method of context inference by analyzing information which is available for individual users. We use techniques of machine learning and evaluate results in real environment with information gathered by monitoring real users in several domains (news reading, social network, movie ratings).

    Autoreferát dizertačnej práce zaslaný do vedeckého časopisu Information Sciences and Technologies - Bulletin of ACM Slovakia

Dizertačná práca je k nahliadnutiu na Študijnom oddelení FIIT STU.