Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/79048
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorSaranya Maneeroj-
dc.contributor.authorThitiya Sae-diae-
dc.contributor.authorUmaporn Padungkiatwattana-
dc.contributor.authorKitiporn Plaimas-
dc.contributor.otherChulalongkorn University. Faculty of Science-
dc.date.accessioned2022-06-30T07:06:10Z-
dc.date.available2022-06-30T07:06:10Z-
dc.date.issued2019-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/79048-
dc.descriptionโครงงานเป็นส่วนหนึ่งของการศึกษาตามหลักสูตรปริญญาวิทยาศาสตรบัณฑิต สาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ปีการศึกษา 2562en_US
dc.description.abstractRecommender system is a system that is used to search for an item that a user prefers and recommends it to another user. The Recommender Systems often uses the consistency with previous usage history of the target user and other users in the system or the user’s preferences to predict scores. However, they still lack consideration of latent relations in the sequence around a target user and a target item. Hence, this research proposes a new recommendation method that can extract a latent relation in a historical sequence of a target user and a target item by applying Region Embedding with the Local Context Unit in order to utilize that latent relation for personalized rating predictions. However, this method does not serve for personalized recommendation for each target user. Therefore, this research also proposes a specific set of neighbors to different target users in order to differentiate among target users even if having the same set of neighbors by applying method of Attention mechanism. This method calculates Attention scores which are similar to the similarity score between neighbors and target users. Therefore, the proposed method can predict rating scores which are different for different target users. The dataset used in the experiment is MovieLens. This research compares the efficiency of the proposed method with Neural Collaborative Filtering recommendation. Moreover, the experimental results between our method with Attention was compared to our method without Attention. Finally, the models were evaluated with NDCG@K and HitRate@K. The results show that our model is better than NCF. Moreover, our model with Attention is better than our model without Attention.en_US
dc.description.abstractalternativeระบบแนะนำเป็นระบบที่ใช้ในการค้นหาสินค้าหรือผลิตภัณฑ์ที่ผู้ใช้งานน่าจะสนใจมาแนะนำให้กับผู้ใช้งานระบบแนะนำนิยมใช้ความสอดคล้องกับประวัติการใช้งานที่มีมาก่อนหน้าของผู้ใช้งานเป้าหมายและผู้ใช้งานคนอื่น ๆ ในระบบ หรือความชอบของผู้ใช้มาช่วยในการทำนายคะแนน อย่างไรก็ตาม ระบบแนะนำส่วนใหญ่ที่มีมาแต่ดั้งเดิมยังคงขาดการพิจารณาถึงความสัมพันธ์ที่แฝงอยู่ภายในลำดับ โดยรอบของผู้ใช้งานเป้าหมาย และผลิตภัณฑ์เป้าหมาย ซึ่งอาจก่อให้เกิดผลกระทบต่อการทำนายคะแนนความถึงพอใจให้กับผู้ใช้งานเป้าหมายได้ ด้วยเหตุนี้ งานวิจัยนี้จึงเสนอขั้นตอนวิธีใหม่ โดยการสกัดความสัมพันธ์แฝงภายในลำดับประวัติของ ผู้ใช้งานเป้าหมาย และ ผลิตภัณฑ์เป้าหมาย โดยอาศัยการฝังตรึงเชิงพื้นที่ กับหน่วยบริบทเฉพาะแห่งมาใช้ เพื่อที่จะนำความสัมพันธ์แฝงที่ได้มาใช้ในการทำนายคะแนนส่วนบุคคลของผู้ใช้งานแต่ละคน อย่างไรก็ตามวิธีการดังกล่าวขาดการทำให้ชุดของเพื่อนบ้านมีความเฉพาะเจาะจงสำหรับผู้ใช้งานเป้าหมายแต่ละคน ดังนั้นงานวิจัยนี้จึงทำชุดของเพื่อนบ้านให้มีความเฉพาะเจาะจงกับผู้ใช้งานเป้าหมายแต่ละคน เพื่อให้คะแนนการแนะนำที่ได้มีความเฉพาะเจาะจงกับผู้ใช้งานเป้าหมาย แม้ว่าจะมีชุดของเพื่อนบ้านเป็นชุดเดียวกัน โดยการประยุกต์ใช้วิธีการความสนใจ วิธีการดังกล่าวจะคำนวณคะแนนความสนใจซึ่งเปรียบได้กับค่าความคล้ายคลึงระหว่างเพื่อนบ้านแต่ละคนกับผู้ใช้งานเป้าหมาย ดังนั้นชุดของเพื่อนบ้านจะถูกทำให้แตกต่างกันตามผู้ใช้งานเป้าหมายซึ่งแตกต่างกัน และคำนวณคะแนนการแนะนำที่แตกต่างกันออกมาได้ ชุดข้อมูลที่ใช้ในการทดลองคือ MovieLens ในการวิจัย และเปรียบเทียบประสิทธิภาพของขั้นตอนวิธีที่นำเสนอมากับการแนะนำโดยใช้เทคนิคระบบประสาทแบบคัดกรองร่วม รวมถึงเปรียบเทียบผลการทดลองระหว่างวิธีการที่ประยุกต์ใช้วิธีการความสนใจ กับวิธีการที่ไม่มีการประยุกต์ใช้ความสนใจโดยใช้ค่า NDCG@K และ HitRate@K ในการวัดผล ผลการทดลองได้แสดงให้เห็นว่าแบบจำลองที่เสนอให้ผลที่ดีกว่าแบบจำลองของการแนะนำโดยใช้เทคนิคระบบประสาทแบบคัดกรองร่วม นอกเหนือจากนี้ยังแสดงให้เห็นว่า แบบจำลองที่ใช้วิธีการความสนใจให้ผลที่ดีกว่าแบบจำลองที่ไม่มีการใช้วิธีการความสนใจรวมอยู่en_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.titleAttention-based recommender systems by applying region embeddingen_US
dc.title.alternativeระบบแนะนำตามพื้นฐานความสนใจโดยประยุกต์ใช้การฝังตรึงเชิงพื้นที่en_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-061 - Thitiya SaeDiae.pdf3.16 MBAdobe PDFView/Open


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