Örtük geri bildirim kullanarak öneri sistemleri tasarımı
Designing recommendation systems using implicit feedback
- Tez No: 1009403
- Danışmanlar: PROF. DR. ŞAHİN EMRAH
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Genetik algoritma tekniği, Öneri sistemleri, Genetic algorithm technique, Suggestion systems
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Öneri sistemleri, günümüzde kullanıcı ve ürünlerin bulunduğu birçok alanda karşımıza çıkmaktadır. Öneri sistemlerinin amacı, kullanıcıya ilgisini çekebilecek doğru ürünleri önererek kullanıcı deneyimini iyileştirmek ve bu sayede uygulamanın/platformun kullanımını arttırmaktır. Kullanıcılar, her zaman deneyimledikleri ürüne puan vererek açık bir şekilde geri bildirimde bulunmazlar. Bu sebeple uygulamanın öneri sistemlerinde kendini geliştirip kullanıcıya daha iyi öneri yapabilmesi için elinde yeterli açık geri bildirim yoktur. Bu noktada, tıklama, görüntüleme, sepete ekleme gibi örtük geri bildirim olarak adlandırdığımız dolaylı etkileşim sinyalleri önem teşkil etmektedir. Bu çalışmada, kullanıcıların sisteme verdikleri dolaylı etkileşim sinyalleri kullanılarak kişiselleştirilmiş öneriler üreten bir model geliştirilmiştir. Çalışmada, RetailRocket e-ticaret veri setindeki üç temel etkileşim türü (görüntüleme, sepete ekleme, satın alma) kullanıcı ilgisini farklı düzeylerde temsil eden örtük geri bildirim sinyalleri olarak değerlendirilmiştir. Modelleme sürecinde Alternating Least Squares (ALS), Bayesian Personalized Ranking (BPR) ve bu iki yaklaşımı birleştiren hibrit model kullanılmıştır. Ayrıca hibrit modelin ağırlık parametresi (alpha), genetik algoritma ile optimize edilmiştir. Deneysel sonuçlar, ALS modelinin Recall@10 = 0.054, BPR modelinin ise Recall@10 = 0.041 düzeyinde performans sergilediğini göstermektedir. Bu iki modelin hibrit biçimde birleştirilmesiyle Recall@10 değeri 0.07 seviyesine ulaşmıştır. Hibrit modelde kullanılan ağırlık parametresinin Genetik Algoritma ile optimize edilmesi sonucunda, ara değerlendirme aşamalarında daha yüksek performans değerleri gözlemlenmiş; ancak nihai test değerlendirmesinde modelin genelleme performansı Recall@10 = 0.0685 olarak ölçülmüştür. Bu çalışma, çoklu örtük geri bildirim sinyallerinin birlikte değerlendirilmesi, hibrit öneri sistemlerinin etkin kullanımı ve meta-sezgisel optimizasyon teknikleri ile öneri kalitesinin artırılmasına yönelik katkılar sunmaktadır.
Özet (Çeviri)
Recommendation systems are widely used in modern platforms to help users discover products that match their interests. The main purpose of these systems is to improve user experience by suggesting relevant items and increasing platform usage. However, users do not always provide explicit feedback such as ratings after interacting with a product. For this reason, many systems rely on implicit feedback, including user actions like views, clicks, add-to-cart events, and purchases. In this study, a personalized recommendation model is developed using implicit user interaction data. The RetailRocket e-commerce dataset is used, where three types of user behavior—view, add-to-cart, and purchase—are considered as indicators of user interest. The modeling approach is based on Alternating Least Squares (ALS) and Bayesian Personalized Ranking (BPR). In addition to these models, a hybrid recommendation model is created by combining the outputs of ALS and BPR. The weighting parameter of this hybrid structure is optimized using a genetic algorithm to improve recommendation performance. The experimental results show that the ALS model achieves a Recall@10 value of 0.054, while the BPR model reaches 0.041. When the two models are combined, the hybrid approach improves performance and achieves a Recall@10 value close to 0.07. Although slightly higher values are observed during the optimization process, the final evaluation on the test set results in a Recall@10 score of 0.0685, indicating stable and reliable performance. Overall, this study shows that combining implicit feedback, hybrid recommendation models, and genetic algorithm-based optimization can improve recommendation quality.
Benzer Tezler
- The interaction between industrial design student decisions and design process
Endüstriyel tasarım öğrencileri kararları ile tasarım süreci arasındaki etkileşim
FERDA ÖZDÜLGER
Yüksek Lisans
İngilizce
2024
Endüstri Ürünleri Tasarımıİstanbul Teknik ÜniversitesiEndüstriyel Tasarım Ana Bilim Dalı
PROF. DR. GÜLNAME TURAN
- CMOS current mode exponential function generator circuit using Pade approximation
Pade yaklaşıklığı kullanan akım modlu CMOS eksponansiyel fonksiyon üretici devresi
DUYGU KUTLUOĞLU
Yüksek Lisans
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ TOKER
- Innovation management in design-intensive family firms from office furniture manufacturing industry: A dynamic capability perspective from an emerging market
Ofis mobilyası imalat sanayisindeki tasarım yoğun aile firmalarında inovasyon yönetimi: Gelişmekte olan bir pazardan dinamik yetenek perspektifi
SELİN GÜLDEN
Doktora
İngilizce
2022
Endüstri Ürünleri Tasarımıİstanbul Teknik ÜniversitesiEndüstriyel Tasarım Ana Bilim Dalı
PROF. DR. ÖZLEM ER
- Deep hybrid recommender system
Derin hibrit öneri sistemi
DİDEM TÜRKER
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Tıbbi laboratuvarlarda kalite maliyet ölçütlerinin iyileştirilmesi üzerine bir araştırma
Improving quality-cost measurements in medical laboratories: A comprehensive study
AHMET DENİZ NALBANT
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT AYDOS