Του Κωνσταντίνου Παναγιωτάκη *

Τα συστήματα προτάσεων ή συστάσεων (Recommender Systems (RS)) είναι συστήματα τεχνητής νοημοσύνης που συλλέγουν πληροφορίες σχετικά με τις προτιμήσεις των χρηστών τους για ένα σύνολο αντικειμένων προκειμένου να παρέχουν στους χρήστες προβλέψεις και προτάσεις για αντικείμενα άγνωστα σε αυτούς που πιθανότατα να τους ενδιαφέρουν (Εικόνα 1).

Τα συστήματα προτάσεων εφαρμόζονται με επιτυχία σε μια ποικιλία οντοτήτων όπως είδη ηλεκτρονικού καταστήματος, ιστοσελίδες, ειδήσεις, κοινωνικά δίκτυα, άρθρα, ταινίες, μουσική, ξενοδοχεία, τηλεοπτικές εκπομπές, βιβλία, εστιατόρια κ.λπ. διευκολύνοντας τους χρήστες να εντοπίσουν θέματα που τους ενδιαφέρουν. Ένα τέτοιο σύστημα προτάσεων μπορεί να θεωρηθεί το Google αλλά και όλα τα συστήματα που κάνουν προτάσεις όπως το YouTube, Facebook, amazon κτλ.  

Τα συστήματα αυτά όπως όλα τα συστήματα εποπτευόμενης μάθησης (supervised learning) χρησιμοποιούν ένα σύνολο δεδομένων για εκπαίδευση από το οποίο μαθαίνουν τις προτιμήσεις των χρηστών για να μπορέσουν στην συνέχεια να τους παρέχουν προτάσεις για αντικείμενα άγνωστα σε αυτούς. 

Πρόσφατα, δημοσιεύτηκε στο κορυφαίο επιστημονικό περιοδικό Τεχνητής Νοημοσύνης σύμφωνα με την κατάταξη του google scholar, Expert Systems with Applications, επιστημονική εργασία καθηγητών του Ελληνικού Μεσογειακού Πανεπιστημίου (ΕΛΜΕΠΑ) που παρουσιάζει μια γενική μέθοδο βελτίωσης απόδοσης των συστημάτων προτάσεων με την προσθήκη ενός επιπλέον σταδίου [1]. 

Η μέθοδος στηρίζεται σε μια καινοτόμα ιδέα που μπορεί να εφαρμοστεί σε διαφορετικά συστήματα και αφορά την αξιοποίηση του σφάλματος στο σύνολο εκπαίδευσης για διόρθωση των προτάσεων (Training Error Correction (TEC)). Το  σφάλμα στην εκπαίδευση (Training Error) χρησιμοποιείται από το προτεινόμενο σύστημα για να βελτιώσει τις προτάσεις του (Recommendations) όπως φαίνεται στην Εικόνα 2. Η μέθοδος στηρίζεται στην ιδέα του μηδενισμού του σφάλματος εκπαίδευσης στο τελικό σύστημα (Final Recommendation). 

Μάλιστα, οι διορθώσεις πραγματοποιούνται τόσο από πλευρά των χρηστών (users) όσο και από τα αντικείμενα (items), και τελικά προκύπτει ένα διπλό σύστημα (DUAL TEC) που συνδυάζει αποτελεσματικά και τις δύο διορθώσεις USER TEC και ITEM TEC. Το DUAL TEC υπολογίζει ένα μοντέλο που μηδενίζει το σφάλμα στο σύνολο εκπαίδευσης και στη συνέχεια εφαρμόζει το μοντέλο αυτό σε νέα δεδομένα πετυχαίνοντας βελτιωμένες προβλέψεις, μειώνοντας τα σφάλματα των συστημάτων σε ποσοστά που μπορούν να ξεπεράσουν και το 5%.   

Η επιστημονικη εργασία είναι αποτέλεσμα μιας διατμηματικής συνεργασίας μεταξύ δύο Τμημάτων του ΕΛΜΕΠΑ που ξεχωρίζουν για το ερευνητικό τους έργο, το Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (ΔΕΤ) στο οποίο Αναπληρωτής Καθηγητής είναι ο κ. Κωνσταντίνος Παναγιωτάκης και το Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (ΗΜΜΥ) στο οποίο είναι Επίκουρος Καθηγητής ο κ. Χαράλαμπος Παπαδάκης και Καθηγήτρια η κ. Παρασκευή Φραγκοπούλου. 

• Το ΔΕΤ πρόσφατα διακρίθηκε για το ερευνητικό του έργο με την δεύτερη θέση Πανελλαδικά στις Επιδόσεις στην Έρευνα Περιφερειακών Τμημάτων Οικονομικής Κατεύθυνσης, οι απόφοιτοί του εγγράφονται στο Οικονομικό Επιμελητήριο Ελλάδος και από το Σεπτέμβριο θα διαθέτει δωρεάν αυτοδύναμο πρόγραμμα μεταπτυχιακών σπουδών με θέμα Διοίκηση και Ψηφιακός Μετασχηματισμός. 
• Το ΗΜΜΥ έχει στελεχωθεί με 37 μέλη ΔΕΠ καλύπτοντας πλήρως τα σχετικά γνωστικά αντικείμενα των μηχανικών, αποδίδει ενιαίο και αδιάσπαστο τίτλο σπουδών μεταπτυχιακού επιπέδου (integrated master) στους αποφοίτους του, ενώ συμμετέχει σε 6 μεταπτυχιακά προγράμματα σπουδών.   

Τα παραπάνω 3 μέλη ΔΕΠ του ΕΛΜΕΠΑ έχουν ξεκινήσει την συνεργασία τους από το 2010, έχοντας δημοσιεύσει μέχρι σήμερα από κοινού 22 άρθρα σε διεθνή επιστημονικά περιοδικά και συνέδρια. Έχουν λάβει το βραβείο του καλύτερου άρθρου (Best Paper Award) στο διεθνές συνέδριο πληροφορικής “Future Information Technology” (28-30/6/2011). Το 2017 είχαν δημοσιεύσει ξανά στο επιστημονικό περιοδικό Expert Systems with Applications ένα σύστημα προτάσεων [2] το οποίο συνεισέφερε  με επιτυχία στα πειραματικά αποτελέσματα στην παρούσα εργασία [1]. 

Οι πρόσφατες διακρίσεις και επιτυχίες του ΕΛΜΕΠΑ σε όλα τα επίπεδα αυξάνουν την ανταγωνιστικότητα και την ελκυστικότητα των Τμημάτων του στους υποψήφιους φοιτητές, και ειδικά φέτος ουσιαστική συμβολή σε αυτό αναμένεται να έχουν και οι υποτροφίες από το πρόγραμμα “Σπουδάζω με Υποτροφία στην Κρήτη στα Τμήματα του ΕΛΜΕΠΑ”, που κατανέμει 40 υποτροφίες στα 11 Τμήματα του ΕΛΜΕΠΑ που η καθεμία μπορεί να φτάσει μέχρι και τα 10.000 ευρώ για τα 4 έτη σπουδών (Εικόνα 3).

ΣΗΜΕΙΩΣΕΙΣ:

[1] 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 

[2] H. Papadakis, C. Panagiotakis and P. Fragopoulou, SCoR: A Synthetic Coordinate based Recommender System, Expert Systems with Applications, 79:8-19, 2017. 

 

* Ο Κωνσταντίνος Παναγιωτάκης είναι Αναπληρωτής Καθηγητής και Πρόεδρος του Τμήματος Διοικητικής Επιστήμης και Τεχνολογίας του Ελληνικού Μεσογειακού Πανεπιστημίου. Επίσης, είναι διευθυντής του Εργαστηρίου Επιστήμης Δεδομένων, Πολυμέσων και Μοντελοποίησης του Τμήματος και μέλος του Εργαστηρίου Υπολογιστικής Όρασης και Ρομποτικής του ΙΤΕ.