Aktivno pridobivanje vrednosti atributov s skupinskim priporočanjem

Špacapan, Blaž (avtor), Kukar, Matjaž (mentor)

Priporočilni sistemi se uporabljajo večinoma v komercialne namene. Po drugi strani pa se pri strojnem učenju pogosto srečujemo s problemi z manjkajočimi podatki, ki jih lahko naknadno pridobimo z nekimi meritvami. Tu bi lahko uporabili tehnike priporočilnih sistemov, da ugotovimo, katere podatke se nam najbolj splača pridobiti. Torej gre za aktivno pridobivanje značilk. Na podatkih najprej naučimo nek model strojnega učenja. S pomočjo tega modela izračunamo Shapleyeve vrednosti za atribute, ter te uporabimo kot ocene izdelkov za priporočilni sistem. Uporabniku priporočamo podmnožico meritev, ki imajo najvišje Shapleyeve vrednosti. Ugotovili smo, da se postopek na umetnih podatkih dobro obnese v primeru, ko v učni množici ni manjkajočih vrednosti, že nekaj teh pa malo pokvari rezultate. Razlog za to verjetno leži v načinu, kako računamo Shapleyeve vrednosti za manjkajoče podatke, in kako z njimi dela model strojnega učenja, vendar še ni v celoti jasen. Glede na rezultate na realnih podatkih smo zaključili, da je uspešnost naše metode precej odvisna od relacije med atributi in ciljno spremenljivko.

• Jezik: Slovenski jezik
• Ključne besede: priporočilni sistemi, SVD, manjkajoče vrednosti, Shapleyeve vrednosti
• Vrsta gradiva: Diplomsko delo/naloga
• Tipologija: 2.11 - Diplomsko delo
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2024
• PID: 20.500.12556/RUL-161744
• COBISS.SI-ID: 213569283
• Datum objave v RUL: 13.09.2024

ŠPACAPAN, Blaž, 2024, Aktivno pridobivanje vrednosti atributov s skupinskim priporočanjem [na spletu]. Diplomsko delo. [Dostopano 5 maj 2025]. Pridobljeno s: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=161744

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Active feature-value acquisition with collaborative filtering

Izvleček

Recommendation systems are mostly used for commercial purposes. On the other hand, in machine learning, we often encounter problems with missing data, which can be subsequently obtained with some measurements. Here, we could use recommendation system techniques to determine which data is most worthwhile to obtain. This is active feature acquisition. First, we train a machine learning model on the data. Using this model, we calculate the Shapley values for the attributes, and use these as product ratings for the recommendation system. We recommend a subset of measurements to the user that have the highest Shapley values. We found on artificial data that the procedure performs well in cases where there are no missing values in the training set, but even a few of these slightly degrade the results. The reason for this likely lies in the way we calculate Shapley values for missing data, and how the machine learning model works with them, but it is not yet fully clear. Based on the results on real data, we concluded that the performance of our method is highly dependent on the relationship between the attributes and the target variable.

• Ključne besede: recommender systems, SVD, missing values, Shapley values