Mostrar el registro sencillo del ítem
dc.contributor.advisor | Onaindia de la Rivaherrera, Eva![]() |
es_ES |
dc.contributor.author | Beltrán Domínguez, Victoria![]() |
es_ES |
dc.date.accessioned | 2022-10-05T08:12:53Z | |
dc.date.available | 2022-10-05T08:12:53Z | |
dc.date.created | 2022-09-20 | es_ES |
dc.date.issued | 2022-10-05 | es_ES |
dc.identifier.uri | http://hdl.handle.net/10251/187025 | |
dc.description.abstract | [ES] Los sistemas de recomendación ayudan a los usuarios a encontrar elementos relevantes y adecuados entre la enorme cantidad de opciones disponibles. En este proyecto, exploramos de qué manera se puede construir un sistema de recomendación utilizando Redes Neuronales basadas en Grafos (GNNs), un nuevo tipo de redes neuronales que operan directamente en la estructura nativa de los datos. En particular, utilizando el conjunto de datos de MovieLens, compararemos dos enfoques diferentes. El primer enfoque se basa en un grafo bipartito donde los nodos representan usuarios y películas, y las aristas indican las relaciones entre estos y, el otro enfoque se centra en el Procesamiento de Señales de Grafos. En ambos enfoques, realizamos diferentes experimentos con el fin de comparar los resultados. Todo el código desarrollado en este proyecto está escrito en PyTorch Geometric, una biblioteca basada en PyTorch que facilita la manipulación de las GNNs | es_ES |
dc.description.abstract | [EN] Recommendation systems help users find relevant and suitable items among the enormous amount of selectable choices. In this project, we explore how a recommendation system can be built using Graph Neural Networks (GNNs), a new type of neural network that operates directly on the native graph structure of the data. Particularly, using the MovieLens dataset, we will compare two different approaches. The first approach is based on a bipartite graph where nodes represent users and movies, and the edges denote relationships among them. The other approach is centered on Graph Signal Processing. In both approaches, different experiments will be carried out in order to compare the results. All the code developed in this project is written in PyTorch Geometric, a library built upon PyTorch that eases the manipulation of GNNs. | en_EN |
dc.format.extent | 58 | es_ES |
dc.language | Español | es_ES |
dc.publisher | Universitat Politècnica de València | es_ES |
dc.rights | Reconocimiento - No comercial (by-nc) | es_ES |
dc.subject | Sistemas de recomendación | es_ES |
dc.subject | Redes neuronales de grafos | es_ES |
dc.subject | Machine Learning | es_ES |
dc.subject | Procesamiento de señales de grafos | es_ES |
dc.subject | Recommendation systems | en_EN |
dc.subject | Graph neural networks | en_EN |
dc.subject | Graph signal processing | en_EN |
dc.subject.classification | LENGUAJES Y SISTEMAS INFORMATICOS | es_ES |
dc.subject.other | Máster Universitario en Inteligencia Artificial, Reconocimiento de Formas e Imagen Digital-Màster Universitari en Intel·Ligència Artificial: Reconeixement de Formes i Imatge Digital | es_ES |
dc.title | Recommendation Systems based on Graph Neural Networks architectures: MovieLens case study | es_ES |
dc.title.alternative | Recommendation Systems based on Graph Neural Networks architectures: MovieLens case study | es_ES |
dc.title.alternative | Sistemes de recomanació basats en arquitectures de Xarxes Neuronals de Grafs: cas d'estudi de MovieLens | es_ES |
dc.type | Tesis de máster | es_ES |
dc.rights.accessRights | Abierto | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Departamento de Sistemas Informáticos y Computación - Departament de Sistemes Informàtics i Computació | es_ES |
dc.description.bibliographicCitation | Beltrán Domínguez, V. (2022). Recommendation Systems based on Graph Neural Networks architectures: MovieLens case study. Universitat Politècnica de València. http://hdl.handle.net/10251/187025 | es_ES |
dc.description.accrualMethod | TFGM | es_ES |
dc.relation.pasarela | TFGM\151451 | es_ES |