Η εργασία Session-Based Recommendation by combining Probabilistic Models and LSTM, της ομάδας DataLab του Ελληνικού Μεσογειακού Πανεπιστημίου, επιλέχθηκε ανάμεσα στις δέκα (10) καλύτερες που θα δημοσιευθούν και θα παρουσιαστούν στον διαγωνισμό του διεθνούς συνεδρίου ACM Recommender Systems Conference (RecSys) που θα γίνει στο Σιάτλ των ΗΠΑ, 18 – 23 Σεπτεμβρίου 2022. Η διάκριση των ερευνητών από την Κρήτη αποτελεί τη μοναδική ελληνική συμμετοχή για το 2022 αλλά και συνολικά για τα τελευταία 10 έτη της διεξαγωγής του διαγωνισμού, γεγονός που αποδεικνύει την σημαντικότητα του επιτεύγματος για το Ελληνικό Μεσογειακό Πανεπιστήμιο στον τομέα των σύγχρονων εφαρμογών της επιστήμης δεδομένων.
Η εργασία που κατέθεσε η ομάδα του Data Lab 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 τους ενδιαφέρουν. Τέτοια συστήματα θεωρούνται οι πολύ γνωστές στο ευρέος κοινό μηχανές αναζήτησης Google, YouTube, Facebook, amazon κτλ. οι οποίες εμφανίζουν τεράστιο εμπορικό και ερευνητικό ενδιαφέρον.
Η ερευνητική ομάδα του εργαστηρίου DataLab του ΕΛΜΕΠΑ αποτελείται από τους καθηγητές Κωνσταντίνο Παναγιωτάκη και Χαράλαμπο Παπαδάκη. Ο Κωνσταντίνος Παναγιωτάκης είναι Αναπληρωτής Καθηγητής και Πρόεδρος του Τμήματος Διοικητικής Επιστήμης και Τεχνολογίας (ΔΕΤ), διευθυντής του Εργαστηρίου DataLab και μέλος του Εργαστηρίου Υπολογιστικής Όρασης και Ρομποτικής του ΙΤΕ. Ο Χαράλαμπος Παπαδάκης είναι Επίκουρος Καθηγητής του Τμήματος Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών (ΗΜΜΥ) και διευθυντής του τομέα Τηλεπικοινωνιών και Τεχνολογίας Πληροφορικής του Τμήματος.
Η επιτυχία των δύο καθηγητών στο χώρο των Recommender Systems ακολουθεί μια πολύχρονη συνεργασία άνω των 10 ετών με αντίστοιχες επιτυχίες και κοινές επιστημονικές δημοσιεύσεις – άνω των 25 – όπως η περυσινή δημοσίευση στο κορυφαίο επιστημονικό περιοδικό Τεχνητής Νοημοσύνης Expert Systems with Applications, που αφορούσε σε μία γενική μέθοδο βελτίωσης απόδοσης των συστημάτων συστάσεων.
Στο φετινό διαγωνισμό RecSys συμμετείχαν συνολικά 303 ομάδες από όλο τον κόσμο. Ως αντικείμενο εργασίας δόθηκαν 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 όπου τα χρησιμοποιούμενα μοντέλα πιθανοτήτων εκπαιδεύτηκαν να εκτιμήσουν τις πιθανότητες μετάβασης και τις αλληλεπιδράσεις μεταξύ των προϊόντων, ενώ το νευρωνικό δίκτυο LSTM έμαθε τις αλληλεπιδράσεις μεταξύ των χαρακτηριστικών των προϊόντων.
Παράλληλα, 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 Λασιθίου Κρήτης, την δυνατότητα αυτόματης σύνθεσης πλάνου επίσκεψης βασισμένη στις τεχνολογίες Τεχνητής Νοημοσύνης, στις προσωπικές προτιμήσεις και τον διαθέσιμο χρόνο του επισκέπτη.
Για περισσότερες πληροφορίες μπορείτε να ανατρέξετε στην παρακάτω 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
Εικόνα 2. Η αρχιτεκτονική του προτεινόμενου υβριδικού συστήματος της ερευνητικής ομάδας του ΕΛΜΕΠΑ.
Παράδειγμα δεδομένων από το διαγωνισμό του RecSys 2022.
