Explainable recommender systems: Integrating differentiable fuzzy reasoning with collaborative filtering
Açıklanabilir öneri sistemleri: Diferansiyellenebilir bulanık akıl yürütme ile işbirlikçi filtrelemenin entegrasyonu
- Tez No: 1000725
- Danışmanlar: DOÇ. DR. TANER ARSAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Hibrit yapılar, Sinirsel bulanık mantık, Tavsiye sistemleri, Çoklu çözümlü öğrenme, İşbirlikçi filtreleme, Hybrid structures, Neuro fuzzy logic, Recommender systems, Multimodal learning, Collaborative filtering
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Kadir Has Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Öneri sistemleri birçok dijital platformun merkezinde yer almaktadır, ancak derin öğrenme yaklaşımları oldukça doğru tahminler üretirken, önerilerini açıklayamayan kara kutu modellerdir. Sinirsel İşbirlikçi Filtreleme algoritmaları yalnızca tahmin doğruluğu için optimize edilmekte ve bireysel tahminleri açıklayamamakta, bu da kullanıcı güvenini ve hata ayıklama yeteneğini sınırlamaktadır. Buna karşılık, bulanık mantık tabanlı algoritmalar doğal yorumlanabilirlik sağlamaktadır; ancak daha düşük tahmin doğruluğu üretme eğilimindedirler. Bulanık mantık ve sinir ağlarını dinamik olarak entegre eden uygun hibrit yöntemlerin eksikliği nedeniyle, bu makale DFLEXRec'i (Açıklanabilir Öneriler için Türevlenebilir Bulanık Mantık) üç katkı aracılığıyla doğruluk-yorumlanabilirlik ikilemini ortadan kaldıran hibrit bir sinirsel-bulanık yaklaşım olarak sunmaktadır: Birincisi, Öğrenilebilir Gauss üyelik fonksiyonları aracılığıyla türevlenebilir bulanık mantık entegrasyonu, yorumlanabilirliği korurken uçtan uca gradyan tabanlı optimizasyonu mümkün kılmaktadır. İkincisi, adaptif bir füzyon mekanizması, gerçek zamanlı performans takibi için F1 bilgili hizalama kaybına dayalı olarak öneri katkılarını ağırlıklandırmaktadır. Üçüncüsü, DFLEXRec, derecelendirmeye özgü başlıkların düşük, orta ve yüksek derecelendirme aralıkları için uzmanlaştığı bir derecelendirme tahmin mimarisi içermektedir. MovieLens 1M üzerindeki değerlendirme, DFLEXRec'in en iyi temel yönteme göre %17,2 ve %16,5 iyileştirme ile 0,5027 NDCG@10 ve 0,8204 HR@10 elde ettiğini göstermektedir. Bu sonuçlar, mevcut yöntemlerde bulunmayan yetenekler olan bulanık üyelik aktivasyonları, kural tabanlı muhakeme ve bileşen katkı analizi içeren kapsamlı doğal dil açıklamaları üretilirken elde edilmektedir.
Özet (Çeviri)
Recommendation systems are central to many digital platforms, yet while deep learning approaches generate highly accurate predictions, they are black-box models that cannot explain their recommendations. Neural Collaborative Filtering algorithms optimize only for predictive accuracy and cannot explain individual predictions, limiting user trust and debugging ability. In contrast, fuzzy logic-based algorithms provide inherent interpretability; however, they tend to produce lower predictive accuracy. Due to a lack of suitable hybrid methods dynamically integrating fuzzy logic and neural networks, this paper presents DFLEXRec (Differentiable Fuzzy Logic for Explainable Recommendations) as a hybrid neural-fuzzy approach that eliminates the accuracy-interpretability trade-off through three contributions: First, differentiable fuzzy logic integration through Learnable Gaussian membership functions enables end-to-end gradient-based optimization while preserving interpretability. Second, an adaptive fusion mechanism weights recommendation contributions based on F1-informed alignment loss for real-time performance tracking. Third, DFLEXRec includes a rating prediction architecture where rating-specific heads specialize for low, medium, and high rating ranges. Evaluation on MovieLens 1M shows that DFLEXRec achieves NDCG@10 of 0.5027 and HR@10 of 0.8204, improving 17.2% and 16.5% over the best baseline. These results are achieved while generating comprehensive natural language explanations incorporating fuzzy membership activations, rule-based reasoning, and component contribution analysis, capabilities unavailable in existing methods.
Benzer Tezler
- Sepsis management in icu using explainable reinforcement learning
Açıklanabılır pekıştirmeli öğrenme ile yoğun bakımda sepsıs yönetımi
MEHMET GÜLDEN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. RÜŞTÜ MURAT DEMİRER
- Hybrid reciprocal recommendation with advanced feature representations
Gelişmiş özellik gösterimleri ile hibrit çift taraflı öneri sistemleri
EZGİ YILDIRIM
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- İmalat stratejileri ve imalat teknolojisi seçiminde uzman sistem yaklaşımı
Manufacturing strategies and an expert system approach to selecting manufacturing technology
İBRAHİM ÇİL
Doktora
Türkçe
1997
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. RAMAZAN EVREN
- Fonksiyonel güvenlik kapsamında elektrik motoru takviyeli direksiyon sisteminin model tabanlı yazılımının geliştirilmesi
Model-based software development of electric motor assisted steering system within the scope of functional safety
CENGİZ AYDIN
Yüksek Lisans
Türkçe
2022
Otomotiv Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN TAHA ŞEN
- Kentsel doku ile otomobil bağımlılığı ilişkisinin sürdürülebilir ulaşım açısından değerlendirilmesi
Evaluation of the relationship between urban pattern and car dependency in terms of sustainable urban mobility
KÜBRA KALOŞ ERDOĞAN
Yüksek Lisans
Türkçe
2024
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. HASAN SERDAR KAYA