Διεθνής διάκριση του Εργαστηρίου DataLab του ΕΛΜΕΠΑ

Η εργασία Session-Based Recommendation by combining Probabilistic Models and LSTM, επιλέχθηκε ανάμεσα στις δέκα (10) καλύτερες που θα δημοσιευθούν και θα παρουσιαστούν στον διαγωνισμό, στο συνέδριο που θα γίνει στο Σιάτλ των ΗΠΑ το διάστημα 18-23 Σεπτεμβρίου 2022. Η διάκριση των ερευνητών του ΕΛΜΕΠΑ αποτελεί τη μοναδική ελληνική συμμετοχή που διακρίθηκε την φετινή χρονιά αλλά και συνολικά για τα τελευταία 10 έτη της διεξαγωγής του διαγωνισμού, γεγονός που αποδεικνύει την σημαντικότητα του επιτεύγματος για το Ελληνικό Μεσογειακό Πανεπιστήμιο σε σύγχρονες εφαρμογές της επιστήμης δεδομένων που κατέθεσε η ομάδα αφορά στα Συστήματα Συστάσεων (Recommender Systems) τα οποία είναι συστήματα τεχνητής νοημοσύνης που συλλέγουν πληροφορίες σχετικά με τις προτιμήσεις των χρηστών προκειμένου να τους παρέχουν προβλέψεις και προτάσεις για αντικείμενα άγνωστα σε αυτούς που πιθανότατα να τους ενδιαφέρουν. Τέτοια συστήματα προτάσεων θεωρούνται το Google, το YouTube, το Facebook, το amazon κτλ. τα οποία  είναι πολύ γνωστά στο ευρέος κοινό και τα οποία εμφανίζουν τεράστιο εμπορικό και ερευνητικό ενδιαφέρον.

Η ερευνητική ομάδα του Εργαστηρίου DataLab του Τμήματος Διοικητικής Επιστήμης και Τεχνολογίας του ΕΛΜΕΠΑ που διακρίθηκε στον διαγωνισμό αποτελείται από τους καθηγητές Κωνσταντίνο Παναγιωτάκη και Χαράλαμπο Παπαδάκη. Ο Κωνσταντίνος Παναγιωτάκης είναι Αναπληρωτής Καθηγητής και Πρόεδρος του Τμήματος Διοικητικής Επιστήμης και Τεχνολογίας (ΔΕΤ) του ΕΛΜΕΠΑ. Επίσης, είναι διευθυντής του Εργαστηρίου DataLab του Τμήματος και μέλος του Εργαστηρίου Υπολογιστικής Όρασης και Ρομποτικής του ΙΤΕ. Ο Χαράλαμπος Παπαδάκης είναι  Επίκουρος Καθηγητής του Τμήματος ΗΜΜΥ του ΕΛΜΕΠΑ και διευθυντής του τομέα Τηλεπικοινωνιών και Τεχνολογίας Πληροφορικής  του Τμήματος.

Η σημερινή επιτυχία των δύο καθηγητών του ΕΛΜΕΠΑ στο χώρο των recommender systems ακολουθεί μια πολύχρονη συνεργασία άνω των 10 ετών με αντίστοιχες επιτυχίες και άνω των 25 κοινών επιστημονικών δημοσιεύσεων, όπως η δημοσίευση που έγινε πέρσι στο κορυφαίο επιστημονικό περιοδικό Τεχνητής Νοημοσύνης σύμφωνα με την κατάταξη του google scholar, Expert Systems with Applications, επιστημονικής εργασίας που παρουσιάζει μια γενική μέθοδο βελτίωσης απόδοσης των συστημάτων συστάσεων

Το παγκόσμιο συνέδριο ACM Recommender Systems Conference (RecSys) επικεντρώνεται αποκλειστικά στα Συστήματα Συστάσεων και διεξάγεται σε ετήσια βάση από το 2007, αποτελώντας το σημαντικότερο επιστημονικό γεγονός στον τομέα των Recommender Systems. Στον διαγωνισμό του, ο οποίος επίσης διεξάγεται σε ετήσια βάση για δέκατη συνεχόμενη φορά, συμμετείχαν φέτος συνολικά 303 ομάδες.

Στο φετινό διαγωνισμό δόθηκαν στις ερευνητικές ομάδες πραγματικά δεδομένα από αγορές ρούχων της εταιρείας «dressipi», με στόχο να προβλέψουν την τελική αγορά του χρήστη ανάμεσα σε περίπου 5000 υποψήφια προϊόντα, λαμβάνοντας υπόψη την ακολουθία των προϊόντων που έχει επισκεφθεί ο χρήστης στο ηλεκτρονικό κατάστημα.

Η ομάδα του ΕΛΜΕΠΑ ανέπτυξε μια πρωτότυπη υβριδική μέθοδο συνδυάζοντας εννέα (9) πιθανοκρατικά μοντέλα με ένα νευρωνικό δίκτυο τύπου LSTM όπως φαίνεται στην Εικόνα 2. Τα χρησιμοποιούμενα μοντέλα πιθανοτήτων εκπαιδεύτηκαν να εκτιμήσουν τις πιθανότητες μετάβασης και τις αλληλεπιδράσεις μεταξύ των προϊόντων (items), ενώ το νευρωνικό δίκτυο LSTM έμαθε τις αλληλεπιδράσεις μεταξύ των χαρακτηριστικών των προϊόντων (item features).

Επίσης, την περίοδο αυτή είναι σε εξέλιξη και μία άλλη συναφής εφαρμογή, η Visit Planner - η αρχική έκδοση της οποίας βρίσκεται διαθέσιμη ήδη στο διαδίκτυο – η οποία σκοπό έχει να προσφέρει στον επισκέπτη της πόλης του Αγίου Νικολάου την δυνατότητα αυτόματης σύνθεσης πλάνου επίσκεψης βασισμένη στις τεχνολογίες Τεχνητής Νοημοσύνης, στις προσωπικές προτιμήσεις και τον διαθέσιμο χρόνο του επισκέπτη.
 

Για περισσότερες πληροφορίες:
Βιβλιογραφία

[1] C. Panagiotakis and H. Papadakis, Session-Based Recommendation by combining Probabilistic Models and LSTM, RecSysChallenge'22: Proceedings of the Recommender Systems Challenge, 2022.

Webpage: https://sites.google.com/site/costaspanagiotakis/research/recsys-challenge-2022 

[2] C. Panagiotakis, H. Papadakis, A. Papagrigoriou, and P. Fragopoulou, Improving Recommender Systems via a Dual Training Error based Correction Approach, Expert Systems with Applications, 2021.

Webpage:https://sites.google.com/site/costaspanagiotakis/research/scor-dtec 

[3]https://play.google.com/store/apps/details?id=com.netmechanics.vip 

Διαβάστε περισσότερες ειδήσεις από την Κρήτη και το Ηράκλειο