Automated Sequential Recommendations of Personalised Weight-Training Plans for Fitness Enthusiasts
Author
Gratsias, Michail
Term
4. term
Publication year
2020
Submitted on
2020-05-30
Pages
108
Abstract
Denne afhandling undersøger, hvordan man automatisk kan skabe personlige træningsprogrammer til vægttræning, som tager højde for den enkeltes præferencer og bygger på velafprøvede træningsprincipper. Hovedspørgsmålet er: Hvordan kan et anbefalingssystem støtte fitnessentusiaster ved at generere automatiske og personlige vægttræningsprogrammer baseret på dokumenterede træningsprincipper? For at besvare dette gennemgås egnede anbefalingsteknikker, hvilken fitnessfaglig information systemet behøver, måder at personalisere løsningen på, relevante anbefalingsalgoritmer samt, hvordan en sådan løsning kan designes, implementeres og testes. Den færdige prototype anvender en hybrid anbefalingsmetode, der kombinerer begrænsningsbaserede teknikker (regler og krav, der skal opfyldes) med lighedsbaserede heuristikker (metoder, der vælger muligheder, som ligner hinanden på vigtige punkter) for at generere de ønskede træningsprogrammer.
This thesis examines how to automatically create personalized weight-training exercise plans that reflect each person's preferences and follow established training principles. The central question is: How can a recommender-system application support fitness enthusiasts by producing automated, personalized weight-training plans grounded in proven training principles? To answer it, the work reviews suitable recommender techniques, identifies the kinds of fitness domain information the system must use, explores ways to personalize the solution, selects applicable recommendation algorithms, and describes how such a system can be designed, implemented, and tested. The resulting prototype applies a hybrid recommendation approach that combines constraint-based techniques (rule- and requirement-based filters) with similarity heuristics (methods that choose options that are alike in relevant ways) to generate the intended plans.
[This abstract was generated with the help of AI]
Keywords
RECCOMMENDATION ; ANDROID ; FIRESTORE ; JAVA ; FITNESS ; WEIGHT-TRAINING ; USER-TESTING
Documents