Ing. Petr Kasalický

Ing. Petr Kasalický

doc. Ing. Pavel Kordík, Ph.D.

Katedra aplikované matematiky

Tato práce do detailu popisuje aplikační framework NVIDIA Merlin a všechny jeho části. Dále popisuje jak Merlin využít při implementaci škálovatelného předzpracování dat, návrhu a implementaci modelu, a generování predikcí v rámci doporučovacího systému. Merlin je společností NVIDIA prezentován jako jednoduchý pro použití a vysoce škálovatelný framework schopný zvládnout velikost dnešních dat. Tato práce ověřuje výroky společnosti NVIDIA a hodnotí Merlin z pohledu vývojáře. Dále popisujeme obecné přístupy v doporučování a optimalizace implementované společností NVIDIA. Poté popíšeme, jak využívat framework Merlin a jeho moduly. V prostředí Merlin se nám podařilo naimplementovat doporučovací systém, jehož výstupem jsou relevantní výsledky.

Práce na DSpace

Ing. Petr Kasalický

Ing. Karel Klouda, Ph.D.

Katedra aplikované matematiky

Cílem této diplomové práce je popsat doporučovací systémy založené na obsahu na základě obrazových dat, nejmodernější konvoluční neuronové sítě pro extrakci příznaků z obrázků a možnosti vytváření doporučení na základě více než jednoho obrázku jedné položky, tzv. multiple instance learning. Následně jsme navrhli prototyp doporučovacího systému založeném na obsahu položek, který využívá jeden a více obrázků jedné položky a začleňuje i interakce z chování uživatelů pro zlepšení doporučení. Dále jsme implementovali a porovnali několik prototypů doporučovacích systémů založených na konvolučních neuronových sítí a jejich schopnost extrahovat příznaky, které jsou důležité pro doporučení při cold-start problému. Nejlepší modely jsme poté trénovali na uživatelských interakcích. Také jsme implementovali dva modely multiple instance learning a porovnali všechny navržené modely v offline testech. Závěrem jsme čtyři modely porovnali v online A/B testu proti sobě. Výsledky ukázaly, že začlenění uživatelských interakcí a více obrázků do doporučovacího systému zlepšilo měřenou metriku míru prokliku.

Práce na DSpace

Ing. Petr Kasalický

Rodrigo Augusto da Silva Alves, Ph.D.

Katedra aplikované matematiky

Tato práce provádí studii doporučovacích systémů se speciálním zaměřením na multi-stage doporučovací systémy. Práce zkoumá komplexní problematiku těchto systémů a zkoumá motivace, které stojí za použitím čtyř-fázového přístupu. Práce zkoumá různé retrieval algoritmy a přístupy pro následné řazení. V práci je navržen a implementován multi-stage doporučovací systém pro datovou sadu Dressipi. Práce vyhodnocuje řadu implementovaných retrieval algoritmů s cílem vytvořit robustní retrieval fázi. Pro řazení je pak využita implementace gradient-boosted rozhodovacích stromů, přičemž nejlepších výsledků se dosáhlo ensemblem listwise a pointwise přistupů. Vyhodnocení doporučovacích systémů ukazuje, že využití multi-stage přístupu pro doporučování překonává použití jednotlivých doporučovacích algoritmů nebo jejich ensemblů. Na závěr jsou diskutována možná budoucí vylepšení a směry dalšího výzkumu.

Práce na DSpace