Τα συστήματα συστάσεων (Recommender Systems) είναι συστήματα τεχνητής νοημοσύνης που συλλέγουν πληροφορίες σχετικά με τις προτιμήσεις χρηστών προκειμένου να παρέχουν στους χρήστες προβλέψεις και προτάσεις για αντικείμενα άγνωστα σε αυτούς που πιθανότατα να 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. και εμφανίζουν σήμερα τεράστιο εμπορικό και ερευνητικό ενδιαφέρον.
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.
Ο διαγωνισμός του επίσης διεξάγεται σε ετήσια βάση για δέκατη συνεχόμενη φορά φέτος. Στον φετινό διαγωνισμό δόθηκαν στις ερευνητικές ομάδες πραγματικά δεδομένα από αγορές ρούχων της εταιρείας dressipi, με στόχο οι ερευνητικές ομάδες να προβλέψουν την τελική αγορά του χρήστη ανάμεσα σε περίπου 5000 υποψήφια προϊόντα, λαμβάνοντας υπόψην την ακολουθία των προϊόντων που έχει επισκεφθεί στο ηλεκτρονικό κατάστημα όπως φαίνεται στην Εικόνα 1.
Το πλήρες σύνολο δεδομένων αποτελείται από 1,1 εκατομμύρια διαδικτυακές αγορές λιανικής, δειγματοληπτικά από μια περίοδο 18 μηνών, ενώ ο διαγωνισμός δεχόταν αποτελέσματα το διάστημα 14/3 με 14/6. Φέτος δήλωσαν συμμετοχή συνολικά 303 ομάδες στέλνοντας αποτελέσματα στην πρώτη φάση του διαγωνισμού και λαμβάνοντας ενημέρωση από το συνέδριο για την επίδοσή τους.
Η δεύτερη φάση του διαγωνισμού έγινε σε νέο σύνολο δεδομένων όπου δεν υπήρχε πληροφόρηση για την επίδοση των ομάδων και από την οποία προέκυψε και η τελική κατάταξη, ενώ από τις ομάδες ζητήθηκε να στείλουν και τον πηγαίο κώδικα που δημιούργησαν για να ελεγχθεί εάν πληροί τις προϋποθέσεις και τους περιορισμούς του διαγωνισμού.
Η εργασία [1] που κατέθεσε η ομάδα επιλέχθηκε ανάμεσα στις δέκα καλύτερες που θα δημοσιευθούν και θα παρουσιαστούν στον διαγωνισμό με δυνατότητα εξ αποστάσεως παρουσίασης ή από κοντά στο συνέδριο που θα γίνει στο Σιάτλ των ΗΠΑ το διάστημα 18-23/9/2022. Η διάκριση των ερευνητών του ΕΛΜΕΠΑ αποτελεί τη μοναδική ελληνική συμμετοχή που διακρίθηκε φέτος αλλά και συνολικά για τα τελευταία 10 έτη της διεξαγωγής του διαγωνισμού, γεγονός που αποδεικνύει τη σημαντικότητα του επιτεύγματος για το Ελληνικό Μεσογειακό Πανεπιστήμιο σε σύγχρονες εφαρμογές της επιστήμης δεδομένων.
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 Τεχνο-
λογίας (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 ΗΜΜΥτου ΕΛΜΕΠΑ και διευθυντής του τομέα Τηλεπι-
κοινωνιών και Τεχνολογίας Πληροφορικής του Τμήματος. Η 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 [2].
Επίσης, την περίοδο αυτή είναι σε εξέλιξη το συναφές επιστημονικό έργο Visit Planner που υποστηρίζει την σχετική τους έρευνα στα συστήματα συστάσεων. Σκοπός του έργου είναι να προσφέρει στον επισκέπτη τη δυνατότητα αυτόματης σύνθεσης πλάνου επίσκεψης της πόλης του Αγίου Νικολάου, βασισμένο σε τεχνολογίες Τεχνητής Νοημοσύνης και στις προσωπικές προτιμήσεις του επισκέπτη για μια ικανοποιητική εμπειρία στον διαθέσιμο χρόνο του και ήδη βρίσκεται διαθέσιμη στο διαδίκτυο μια αρχική έκδοση της εφαρμογής [3].
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