A model-agnostic and rank-aware framework for user-level popularity calibration in recommender systems
Öneri sistemlerinde kullanıcı düzeyinde popülerlik kalibrasyonu için modelden bağımsız ve sıra-duyarlı bir çerçeve
- Tez No: 1017878
- Danışmanlar: DOÇ. DR. SEVCAN YILMAZ GÜNDÜZ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Makine öğrenmesi, Yapay zeka, Machine learning, Artificial intelligence
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Yazılımı Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Öneri sistemleri, kullanıcıların geniş bilgi alanlarında gezinmesine yardımcı olmaktadır; ancak bu sistemler, az sayıdaki popüler öğenin orantısız biçimde fazla görünürlük elde ettiği ve daha az popüler öğelerin arka planda kaldığı popülerlik yanlılığından etkilenmektedir. Bu durum, uzun kuyruktaki öğelerin görünürlüğünü azaltmakta, keşif fırsatlarını sınırlamakta ve öneri çıktısı ile kullanıcı davranışı arasındaki uyumu zayıflatabilmektedir. Bu probleme çözüm getirmek amacıyla, bu tezde modelden bağımsız ve kullanıcı odaklı bir popülerlik-duyarlı öneri çerçevesi önerilmektedir. Önerilen çerçeve dört bileşenden oluşmaktadır: öğe uzayının Pareto temelli olarak baş ve kuyruk alt kümelerine ayrılması, bu alt uzayların ayrı ayrı modellenmesi, kullanıcıya özgü popülerlik eğiliminin geçmiş etkileşimlerden tahmin edilmesi ve nihai en iyi-N öneri listesinin oluşturulması için sıra-duyarlı bir birleştirme stratejisi. Bu yolla, tüm kullanıcılara aynı düzeltmeyi uygulamak yerine, öneri görünürlüğü her kullanıcının gözlenen baş–kuyruk eğilimine göre kalibre edilmektedir. Çerçeve, MovieLens-1M, Douban Book ve Yelp veri kümeleri üzerinde, birden fazla omurga önerici ve geniş bir karşılaştırma yöntemi kümesi kullanılarak değerlendirilmektedir. Sonuçlar, önerilen çerçevenin kullanıcı düzeyinde popülerlik kalibrasyonunu ve doğruluk ötesi özellikleri iyileştirirken rekabetçi sıralama doğruluğunu koruduğunu göstermektedir. Genel olarak bu tez, popülerlik yanlılığının, kullanıcıyla uyumlu ve sıra-duyarlı bir kalibrasyon problemi olarak formüle edildiğinde daha etkili biçimde ele alınabileceğini göstermektedir.
Özet (Çeviri)
Recommender systems help users navigate large information spaces; however, they are affected by popularity bias, where a small number of popular items receive disproportionate exposure while less popular items remain in the background. This reduces the visibility of long-tail items, limits discovery opportunities, and may weaken the alignment between recommendation output and user behavior. To address this problem, this dissertation proposes a model-agnostic and user-centric framework for popularity-aware recommendation. The proposed framework consists of four components: a Pareto-based partitioning of the item space into head and tail subsets, separate modeling of these subspaces, estimation of user-specific popularity inclination from historical interactions, and a rank-aware merging strategy for constructing the final top-N recommendation list. In this way, recommendation exposure is calibrated according to each user's observed head–tail tendency, rather than applying the same correction to all users. The framework is evaluated on the MovieLens-1M, Douban Book, and Yelp datasets using multiple backbone recommenders and a broad set of comparison methods. The results show that the proposed framework improves user-level popularity calibration and beyond-accuracy properties while preserving competitive ranking accuracy. Overall, this dissertation demonstrates that popularity bias can be addressed more effectively when it is formulated as a user-aligned and rank-aware calibration problem.
Benzer Tezler
- Kamuya açık büyük dil modelleri ile bağlam duyarlı siber risk değerlendirmesi: Uzman doğrulamalı bir çerçeve ve insan–yapay zekâ karşılaştırması
LLM-assisted context-aware cyber risk assessment: an expert-calibrated framework and scoring
NEZİH MAHMUT ÜNAL
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık ÜniversitesiBilgisayar Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ ÇELİKTAŞ
- Explainable ai and optimization theory based wireless radio resource management
Açıklanabilir yapay zeka ve optimizasyon teorisine dayalı kablosuz radyo kaynak yönetimi
NASIR KHAN
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SİNEM ÇÖLERİ
- Evaluation of vector and graph-based search methods in a banking knowledge platform using advanced language models
Bankacılık bilgi platformu için vektör ve grafik temelli arama yöntemlerinin gelişmiş dil modelleriyle değerlendirilmesi
BÜNYAMİN BAKIR
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA
- Hybrıd explaınable model for class-ımbalance mıtagatıon and multı-protocol attack detectıon ın ıomt devıces
Hybrid explainable model for class-imbalance mitagation and multi-protocol attack detection in iomt devices
ABUALQASIM KHALIL ISMAEL ISMAEL
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ROA'A ALI ABDULLAH MOHAMMEDQASEM
- A novel approach for generating instance-based plausible and proximate counterfactual explanations
Örnek tabanlı makul ve yakın karşı olgusal açıklama üretmeye dayalı yeni bir yaklaşım
YAĞIZ LEVENT GÜME
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ ERKAN IŞIKLI