Tensoripohjainen suosittelumalli

Abstract

Käsiteltävissä olevan tiedon määrän kasvaessa tarvitaan uusia tapoja analysoida tietoa ja seuloa tietomassoista merkityksellistä informaatiota. Tästä huolimatta monet alan yleiset suosittelumallit, kuten Collaborative Filtering, hyödyntävät tietomassan yleisiä ominaisuuksija tarjoavat vain pinnallista informaatiota.

Tämän kandidaatintyön tavoitteena on selvittää, millaisia tuloksia saadaan, kun haluttu informaatio perustuu tietomassasta löydettyihin trendeihin. Nämä trendit saadaan selville käyttämällä tensorianalytiikkaa Gibbsin Motif Finding -metodilla ja tuottamalla arvio ihmisten käyttäytymismallien suhteista, jotka lopuksi sijoitetaan saadun arvon avulla järjestykseen.

Tutkimuksen selventämiseksi Ylen avointa vaalidataa hyödynnettiin tietomassana trendipohjaisen ja yleisen suosittelumallin tulosten vertailua varten. Vertailusta saadut tulokset erottuivat toisistaan huomattavasti. Trendipohjainen malli sijoitti arvoiltaan vaihtelevia tuloksia tärkeämmiksi, kun yleisen mallin tulokset sen sijaan olivat arvoiltaan samanlaisia. Trendipohjainen suosittelumalli arvioitiin tarkemmaksi kun Collaborative Filteringin.

As the amount of data to be handled increases, so does the need for new ways to analyze and parse it for relevant information. Despite this, many of the general recommendation models, such as Collaborative Filtering, only take advantage of the general characteristics giving only superficial information as a result. The aim of this bachelor’s thesis is to find out what kind of results arises when the desired in- formation is based on the found trends within data. These trends can be discovered by using a tensor analytics with Gibbs Motif Finding to provide an estimation of people’s behavioral relations, which are then ranked according to their scores. In order to clarify the study, open electoral data was utilized for Trend-based and gen- eral recommendation model to compare their results. The obtained results differed significantly from each other. As a new phenomenon, Trend-based recommendation model ranked results with unique characteristics higher, when the general recom- mendation models results were homogeneous. In the light of given criterias the Trend-based recommendation model were assessed to be most accurate of the two.