Geri Dön

Tavsiye sistemlerinde veri bütünleştirme

Data integration in recommendation systems

  1. Tez No: 301599
  2. Yazar: EMRAH EKMEKÇİLER
  3. Danışmanlar: DOÇ. DR. HASAN OĞUL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2012
  8. Dil: Türkçe
  9. Üniversite: Başkent Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 81

Özet

Tavsiye sistemlerinde temel amaç, insanların beğenisini tahmin edip onlara bu beğenileri doğrultusunda tavsiyelerde bulunmaktır. Bu alanda en yaygın olarak kullanılan yöntemler;?İçerik Tabanlı Filtreleme?İşbirlikçi Filtreleme Yöntemi (İF)?Melez Filtreleme Sistemleri?Demografik Yöntemler?Bilgi Bazlı Yöntemlerİçerik bazlı filtreleme yöntemleri, üzerinde çalışılan ürünle (şarkı, film, kitap vs.) ilgili bilgiler kullanılarak benzer ürünlerin önerilmesi esasına dayanır. İF yönteminin çalışma prensibi ise diğer kullanıcı ve/veya kullanıcı gruplarının öneri ve öngörülerine dayanır. Bir kullanıcıya tavsiyede bulunabilmek için diğer kullanıcıların benzer içeriklere verdiği değerler kullanılır. Kullanıcılar arasındaki benzerliklere göre diğer kullanıcıya benzer tavsiyelerde bulunulur. Melez sistemler ise iki yöntemin birlikte kullanılmasına dayanır.Veri bütünleştirme işlemi; İF yönteminde kullanılan, kullanıcı ve bu kullanıcıların öğeler üzerinde yaptığı değerlendirmeler ile oluşturulmuş veri setlerinin iki yönlü olarak birleştirilmesidir. Bu işlemin amacı, dikey oluşturulmuş vektörlerin yatay vektörlerinin sonuna eklenmesi ile daha çok sayıda öz niteliğe sahip yeni vektörler oluşturmaktır.Bu çalışmada yeni bir melez yöntem önerilmiş ve meta veriler kullanılarak elde edilen içerik bazlı tahminler üzerinde, ?bir kullanıcının ürünlere verdiği değerler? bilgisi ile ?bir içeriğe verilen bütün kullanıcı değerleri? bilgilerini birleştirererek kullanan bir çift yönlü sınıflandırma yaklaşımı denenmiştir. Oluşturulan yeni gösterim üzerinde güncel iki sınıflandırma algoritması olan ?Destek Vektör Makinesi? ve ?K-En Yakın Komşu? yöntemleri denenmiş, birbirleriyle ve daha önceki çalışmalarla sonuçları karşılaştırmıştır. Bu çalışmada, veri bütünleştirme yönteminin kullanımı ile tavsiye sistemlerinin daha iyi sonuçlar vermesi amaçlanmıştır.Bu alanda yöntemlerin performanslarını değerlendirirken en çok kullanılan F-ölçütüne göre daha önceki yöntemlerin üstünde bir sınıflandırma yeterliliği elde edilmiştir. Kaynak kullanım performansları açısından değerlendirildiğinde ise ?Destek Vektör Makinesi? (DVM), ?K-En Yakın Komşu? (KNN) algoritmasına göre daha çok bellek tüketmektedir. Süre olarak da daha uzun sürede sonuç vermektedir. KNN ise CPU kullanımında çok yüksek bir kullanım sergilemektedir.

Özet (Çeviri)

The main goal of recommendation systems is to predict the user pleasure and to recommend something in the boundry of its pleasure. In recommendation systems, the most effective techniques are ;?Content - Based Filtering?Collaborative Filtering?Hybrid Filtering Systems?Demographic Filtering?Knowledge - Based FilteringContent - Based Filtering is mainly interested about the similarities of content between the current item (music, movie, book, etc.) and the others. In opposition of Content - Based, in Collaborative Filtering system is interested in interaction of users. The choice of the current user depends on the choices and prevision of the other users or user groups. According to prevision of users, the system recommends similar item to the current user.Data Integration is a method that uses users evaluation vectors on items. The aim of this operation to get more complex vectors which have more features by joining the horizontal and vertical vectors of datasets.In this thesis, a new hybrid system is proposed. On the prediction values which are produced by content based filtering using by metadata of items;“Rating of one user on all items”information and“Ratings of all users on one item”information is integrated. After this integration;“Support Vector Machine”and“K - Nearest Neighbor?, the most popular classification algorithms, are executed on these new datasets. The main goal of this thesis is to increase the forecast perfomance of recommendation systems by data integration.Finally in the comparison of this technique and other techniques shows us that the data integration technique gives better results according to F- measure. On the other hand, there is also a comparison according to resource usage. ”Support Vector Machine“ (SVM) uses more memory and takes more time to solve the problem. However ”K - Nearest Neighbor? (KNN) uses much more CPU.

Benzer Tezler

  1. Improvements in recommender systems: Addressing data sparsity and class imbalance with attribute integration and network science

    Tavsiye sistemlerinde iyileştirmeler: Veri seyrekliği ve sınıf dengesizliğinin öznitelik entegrasyonu ve ağ bilimi ile ele alınması

    ELİF ECE ERDEM

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜNCE KEZİBAN ORMAN

  2. Tavsiye sistemlerinde node2vec gömme ve sinirsel işbirlikçi filtreleme kullanımı

    Recommender systems using node2vec embedding and neural collaborative filtering

    YOLANDE MARGARET GOSWELL

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TOLGA AYDIN

  3. Veri seyrekliği ve ölçeklenebilirlik problemlerini gidermek için derin otomatik kodlayıcı tabanlı yeni bir tavsiye sistemi modeli

    A novel deep autoencoder-based recommendation system model to resolve the data sparsity and scalability problems

    SÜMEYYE SENA ÜNALDI

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYŞE MERVE ACILAR

  4. İşbirlikçi tabanlı tavsiye sistemlerinde yeni bir matris ayrışım tekniği

    A novel matrix decomposition technique in collaborative based re-commender systems

    SELÇUK GÜNDÜZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe Üniversitesi

    İnternet ve Bilişim Teknolojileri Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET HAŞİM YURTTAKAL

    DR. ÖĞR. ÜYESİ FAHRETTİN HORASAN

  5. İşbirlikçi filtreleme tabanlı tavsiye sistemlerinde seyreklik problemi için yeni bir model

    A new model for the sparsity problem in collaborative filtering based recommendation systems

    MOHAMMED JAMEEL MOHAMMED

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilim ve TeknolojiGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. MURAT YÜCEL

    DR. ÖĞR. ÜYESİ FAHRETTİN HORASAN