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

Repository Staff Only

View Item