Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/79047
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorMonnat Pongpanich-
dc.contributor.advisorSaranya Maneeroj-
dc.contributor.authorNattapon Napasai-
dc.contributor.authorPatcharapol Promanee-
dc.contributor.otherChulalongkorn University. Faculty of Science-
dc.date.accessioned2022-06-30T06:52:46Z-
dc.date.available2022-06-30T06:52:46Z-
dc.date.issued2019-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/79047-
dc.descriptionโครงงานเป็นส่วนหนึ่งของการศึกษาตามหลักสูตรปริญญาวิทยาศาสตรบัณฑิต สาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ปีการศึกษา 2562en_US
dc.description.abstractRecommender systems have a major contribution, that is, it allows users to interact with content efficiently. A recommender system advises users by filtering items based on users’ previous actions. Collaborative filtering (CF) is one of the recommender system algorithms which is built on explicit feedback (e.g., user ratings) and implicit feedback (e.g., number of clicks and purchases). It compares a target user with others who have similar preferences. Further, there are two well known types of CF: user-based CF and item-based CF. User-based CF assumes that people who have similar tastes tend to react to items similarly. For item-based CF, it tries to find look-alike items instead of look-alike users. Nowadays, many research attempt to apply the neural network into CF because there is a limitation in CF that CF can learn only linear representation, but the neural network can learn both linear and non-linear representation. Autoencoder reconstructs the input data in the output layer by encoding the input data into a low dimensional middle layer called the hidden layer to form latent representation, and then the output from the hidden layer is decoded by the output layer to reconstruct the data. From previous works, we have noticed that relations between a target user (item) and other users (other items) were not utilized and this relationship is a plus point for collaborative filtering technique. Therefore, we have proposed the autoencoder recommender system model that learns a representation of similarity between a target user (item) and other users (items). Finally, the experimental results have shown that the proposed model performs better than state of the art methods.en_US
dc.description.abstractalternativeระบบแนะนำเป็นส่วนสำคัญที่ช่วยให้ผู้ใช้สามารถใช้ข้อมูลได้อย่างมีประสิทธิภาพมากขึ้น ซึ่งระบบนี้พยายามที่จะแนะนำไอเท็มให้กับผู้ใช้โดยใช้ข้อมูลจากการกระทำที่ผ่านมาของตัวผู้ใช้เอง การกรองร่วมกันคือหนึ่งในวิธีการของระบบแนะนำโดยใช้ข้อมูลประเภทเรทติงของผู้ใช้หรือจำนวนการคลิกในการซื้อสินค้าของผู้ใช้ ซึ่งจะนำข้อมูลเหล่านั้นมาเปรียบเทียบระหว่างผู้ใช้หนึ่งคนกับผู้ใช้อื่น ๆ ที่มีลักษณะของข้อมูลที่คล้ายคลึงกัน การกรองร่วมกันสามารถแบ่งออกเป็น 2 ประเภทหลัก ๆ คือ การกรองร่วมกันโดยยึดไอเทมเป็นหลักและการกรองร่วมกันโดยยึดผู้ใช้เป็นหลัก โดยการกรองร่วมกันโดยยึดผู้ใช้เป็นหลักจะใช้ตรรกะที่ว่าคนที่มีรสนิยมเหมือนกัน จะชอบอะไรคล้ายกัน ซึ่งการกรองร่วมกันโดยยึดผู้ใช้เป็นหลักจะใช้หลักการนี้ในการคำนวณหาเรทติงจากการใช้เรทติงของคนอื่นในการคำนวณร่วมด้วย สำหรับการกรองร่วมกันโดยยึดไอเทมเป็นหลักก็ใช้หลักการคล้ายกับที่กล่าวมาเช่นกันแต่เปลี่ยนจากผู้ใช้เป็นไอเท็ม ปัจจุบันงานวิจัยต่าง ๆ พยายามที่จะประยุกต์ใช้โครงข่ายประสาทเทียมกับการกรองร่วมกันเข้าด้วยกัน เพราะเมื่อประยุกต์เข้าด้วยกันแล้วจะช่วยให้สามารถทำลายขีดจำกัดที่ว่าการกรองร่วมกันสามารถเรียนรู้ได้เฉพาะข้อมูลที่มีโครงสร้างข้อมูลเป็นเชิงเส้นเท่านั้นเนื่องจากโครงข่ายประสาทเทียมจะช่วยให้สามารถเรียนรู้ข้อมูลที่มีโครงสร้างข้อมูลแบบไม่ใช่เชิงเส้น ตัวเข้ารหัสอัตโนมัติมีเป้าหมายในการสร้างข้อมูลใหม่จากข้อมูลเดิมให้มีลักษณะคล้ายกันมากที่สุดโดยการนำข้อมูลนำเข้ามาลดมิติลงซึ่งข้อมูลที่ถูกลดมิติลงจะอยู่ที่ชั้นกลางและเราจะเรียกชั้นกลางนี้ว่าชั้นซ่อนเร้นซึ่งชั้นนี้เป็นส่วนที่สามารถใช้เป็นตัวแทนของมูลนำเข้าได้ จากนั้นขยายมิติของข้อมูลในชั้นกลางซึ่งทำให้ได้ข้อมูลส่งออกที่มีลักษณะคล้ายกับข้อมูลเดิม จากงานวิจัยที่ผ่านมา เราพบว่า ยังไม่มีการพิจารณาความสัมพันธ์ของผู้ใช้เป้าหมายกับผู้ใช้คนอื่นๆหรือไอเท็มเป้าหมายกับไอเท็มคนอื่น ๆ ซึ่งความสัมพันธ์เหล่านี้เป็นข้อดีของเทคนิคการกรองร่วมกัน ดังนั้น เราต้องการนำเสนอโมเดลระบบแนะนำจากตัวเข้ารหัสอัตโนมัติเพื่อเรียนรู้ตัวแทนที่แสดงลักษณะความคล้ายระหว่างผู้ใช้เป้าหมายกับผู้ใช้คนอื่น ๆ และไอเท็มเป้าหมายกับไอเท็มอื่น ๆ สุดท้ายนี้เราได้ทำการทดลองและพบว่าโมเดลที่เราเสนอมีประสิทธภาพมากกว่าโมเดลอื่น ๆ ของงานวิจัยที่ผ่านๆ มาen_US
dc.language.isoenen_US
dc.publisherChulalongkorn Universityen_US
dc.rightsChulalongkorn Universityen_US
dc.subjectRecommender systems (Information filtering)en_US
dc.subjectNeural networks (Computer science)en_US
dc.subjectระบบแนะนำข้อมูล (การกรองสารสนเทศ)en_US
dc.subjectนิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)en_US
dc.titleBoth User-based and Item-based Collaborative Filtering based on Autoencoders with Deep Neural Networksen_US
dc.title.alternativeการกรองร่วมกันโดยยึดไอเทมและผู้ใช้เป็นหลักโดยใช้ตัวเข้ารหัสอัตโนมัติร่วมกับโครงข่ายประสาทเทียมลึกen_US
dc.typeSenior Projecten_US
dc.degree.grantorChulalongkorn Universityen_US
Appears in Collections:Sci - Senior Projects

Files in This Item:
File Description SizeFormat 
62-SP-COMSCI-056 - Nattapon Napasai.pdf1.25 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.