SHALLOW AUTOENCODERS PER RACCOMANDAZIONI SEMANTICHE INFORMATE

In this thesis work the theme of recommender systems has been explored. After an overview of some of the state-of-the-art models in this field and the relative advantages, disadvantages and problems of using each model described, some of the most popular Deep Learning models in academia and industry right now were presented in the field of recommendation. The aim of this thesis was to implement a recommendation system with a particular Deep Learning technique: that of Shallow Autoencoders and to see how the performance of these models can be influenced by the use of side-information of different types. In particular, ontologies obtained from Linked Open Datasets such as DBpedia will be used as side-information, for the creation of semantic-aware recommender systems. Finally, all the models implemented in this thesis work will be evaluated and compared, to show how different side-information influences differently the recommendations produced and which model produces recommendations more in line with users’ tastes.

In questo lavoro di tesi è stato esplorato il tema dei sistemi di raccomandazione. Dopo una panoramica su alcuni dei modelli allo stato dell'arte in questo campo e dei relativi vantaggi, svantaggi e problemi dell'utilizzo di ciascun modello descritto, sono stati presentati alcuni dei modelli di Deep Learning ad oggi più popolari sia nel mondo accademico che in quello industriale nel campo dei sistemi di raccomandazione. Lo scopo di questa tesi è stato quello di implementare un sistema di raccomandazione con una particolare tecnica di Deep Learning: quella degli Shallow Autoencoders e vedere come le prestazioni di questi modelli possono essere influenzate dall'uso di side-information di diverso tipo. In particolare, ontologie ottenute da Linked Open Dataset come DBpedia sono state utilizzate come side-information per la creazione di sistemi di raccomandazione semantic-aware. Infine, tutti i modelli implementati in questo lavoro di tesi saranno valutati e confrontati, per mostrare come diversi tipi di side-information influenzano in modo diverso le raccomandazioni prodotte e quale modello produce raccomandazioni più in linea con i gusti degli utenti.