Στη σύγχρονη ψηφιακή εποχή, η καταγραφή, η αξιολόγηση και ο διαμοιρασμός των πολιτιστικών εμπειριών των χρηστών –όπως κινηματογραφικές ταινίες, μουσικά άλμπουμ και λογοτεχνικά βιβλία– πραγματοποιείται κυρίως μέσω κατακερματισμένων, «κάθετων» πλατφορμών κοινωνικής δικτύωσης. Η παρούσα διπλωματική εργασία πραγματεύεται τον σχεδιασμό, την υλοποίηση και την αξιολόγηση μιας ενιαίας διαδικτυακής εφαρμογής, η οποία εξαλείφει τα λειτουργικά στεγανά, προσφέροντας στο άτομο ένα ενοποιημένο περιβάλλον διαχείρισης της ψηφιακής πολιτιστικής του ταυτότητας.

Πυρήνα του συστήματος αποτελεί ένας καινοτόμος, υβριδικός μηχανισμός συστάσεων περιεχομένου (Recommender System). Η παρούσα διπλωματική αξιοποιεί τη δυναμική εξαγωγή μεταδεδομένων (metadata extraction) και εφαρμόζει τεχνικές Cross-Media Query Expansion μέσω διασύνδεσης με εξωτερικές διεπαφές όπως το TMDB, Spotify και Google Books. Για τη διασφάλιση μέγιστης ακρίβειας, συνδυάζονται αλγόριθμοι φιλτραρίσματος βάσει περιεχομένου (Content-Based Filtering). Παράλληλα, εισάγεται η τεχνική Time-Agnostic Sampling για την εξάλειψη της προκατάληψης των πιο πρόσφατων καταχωρήσεων.

Το backend υλοποιήθηκε στη γλώσσα Python με το πλαίσιο υψηλής απόδοσης FastAPI και σχεσιακή βάση δεδομένων SQLite μέσω του SQLModel. Το περιβάλλον διεπαφής χρήστη (Frontend) αναπτύχθηκε εξαρχής με τεχνολογίες JavaScript, HTML5 και CSS3, διασφαλίζοντας άμεση ταχύτητα απόκρισης και σύγχρονη εμπειρία πλοήγησης.

In the modern digital era, recording, reviewing, and sharing users' cultural experiences—such as cinema films, music albums, and literary books—is primarily conducted through fragmented, "vertical" social networking platforms. This master's thesis presents the design, implementation, and evaluation of a unified web application that eliminates functional silos, offering individuals an integrated environment for managing their digital cultural identity.

At the core of the system lies an innovative, hybrid content Recommender System. This thesis utilizes dynamic metadata extraction and applies Cross-Media Query Expansion techniques through integration with external interfaces such as TMDB, Spotify, and Google Books. To ensure maximum accuracy, Content-Based Filtering algorithms are combined. Additionally, a Time-Agnostic Sampling technique is introduced to eliminate recency bias toward user entries.

The backend was implemented in Python using the high-performance FastAPI framework and a SQLite relational database mapped via SQLModel. The User Interface (Frontend) was developed from scratch using JavaScript, HTML5, and CSS3 technologies, ensuring rapid response times and a modern navigation experience.