Recommender systems e user behavior: perché Amazon e Netflix sanno già ciò che vuoi: caratteristiche ideali per sistemi di raccomandazione
Loguercio, Antonio (A.A. 2020/2021) Recommender systems e user behavior: perché Amazon e Netflix sanno già ciò che vuoi: caratteristiche ideali per sistemi di raccomandazione. Tesi di Laurea in Machine learning & object driven marketing, Luiss Guido Carli, relatore Luigi Laura, pp. 122. [Master's Degree Thesis]
PDF (Full text)
Restricted to Registered users only Download (3MB) | Request a copy |
Abstract/Index
Sistemi di raccomandazione. Artificial intelligence e machine learning. Machine learning e pratiche di marketing. Sistemi di raccomandazione: cosa sono? Tipologie e classificazione. Elementi dei sistemi di raccomandazione. Dati e privacy. La personalizzazione nei sistemi di raccomandazione. Trasparenza nei sistemi di raccomandazione. User behavior e bad behavior. User experience nei recommender system: le caratteristiche ideali. Precisione, accuratezza e recall. Facilità d'uso. Attenzione dell'utente. Importanza delle preferenze e delle scelte. Il potere dell'esperienza personalizzata. Fiducia. I segnali: come interpretarli e gestirli. Affidabilità dei sistemi di raccomandazione: approccio sperimentale con Python. Python: origini e funzioni. Le librerie Python per i sistemi di raccomandazione. Il dataset MovieLens: storia e caratteristiche. Analisi in Python sull’affidabilità dei sistemi di raccomandazione.
References
Bibliografia: pp. 92-102.
Thesis Type: | Master's Degree Thesis |
---|---|
Institution: | Luiss Guido Carli |
Degree Program: | Master's Degree Programs > Master's Degree Program in Marketing (LM-77) |
Chair: | Machine learning & object driven marketing |
Thesis Supervisor: | Laura, Luigi |
Thesis Co-Supervisor: | Musolino, Mirta |
Academic Year: | 2020/2021 |
Session: | Autumn |
Deposited by: | Alessandro Perfetti |
Date Deposited: | 23 May 2022 13:49 |
Last Modified: | 23 May 2022 13:49 |
URI: | https://tesi.luiss.it/id/eprint/32439 |
Downloads
Downloads per month over past year
Repository Staff Only
View Item |