Improved probabilistic matrix factorization model for sparse datasets
Seyrek veri kümeleri için iyileştirilmiş olasılıksal matris çarpanlarına ayrışımı modeli
- Tez No: 379861
- Danışmanlar: YRD. DOÇ. DR. TUĞBA TAŞKAYA TEMİZEL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2014
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dünya çapındaki ağ üzerindeki bilgi miktarı, ağ ve bilgi teknolojilerindeki ilerlemeler nedeniyle önemli ölçüde artmıştır. Bu durum kullanıcılar için ilgili ve yararlı bilgiler elde etmeyi zor hale getirmiştir ve bu nedenle bilgi filtreleme ihtiyacı oluşmuştur. Öneri Sistemleri (ÖS) bu probleme bir çözüm olarak ortaya çıkmıştır. Yaygın olarak kullanılan ÖS yaklaşımlarından biri olan Ortak Filtreleme (OF), kullanıcıların bir ürün üzerindeki tercihini tahmin etmeyi amaçlamaktadır. OF ardındaki ana fikir, geçmişte aynı fikirde olan kullanıcıların, gelecekte de aynı fikirde olacaklarıdır. Bir OF tekniği olarak Olasılıksal Matris Çarpanlarına Ayrışımı (OMÇA) genellikle yüksek doğruluk ve ölçeklenebilirlik nedeniyle literatürde tercih edilmektedir. Bu tezde, OMÇA metodunda yer alan kullanıcı ve ürün gizli vektörlerin başlatma tekniklerinin önemi gerçek ve sentetik veri kümeleri ile gösterilerek yeni beş başlatma tekniği önerilmektedir. Önerilen yaklaşımlar literatürdeki diğer başlatma teknikleri ile karşılaştırıldığında çok seyrek veri setleri için daha iyi sonuçlar üretmektedir.
Özet (Çeviri)
The amount of information on the World Wide Web has increased significantly owing to advancing web and information technologies. This has made it difficult for users to obtain relevant and useful information thus there is a need for information filtering. Recommender Systems (RS) have emerged as a technique to overcome the problem. Collaborative Filtering (CF) that is one of the widely used RS approaches aims to predict users' preference concerning an item. The main idea behind CF is the users who agreed in the past will agree in the future. The Probabilistic Matrix Factorization (PMF) is the preferred CF technique in the literature due to its high accuracy and scalability. This thesis demonstrates the importance of the initialization techniques for the user and the item latent vectors in the PMF algorithm with real and synthetic datasets and proposes five different initialization techniques. The suggested approaches produce better results in comparison with the state-of-the-art techniques in particularly very sparse datasets.
Benzer Tezler
- Probabilistic tensor factorization for link prediction
Bağlantı tamini için olasılıksal tensör ayrışımı
BEYZA ERMİŞ
- Dağıtık üretim güç sistemlerinde geliştirilmiş oylama modeli tabanlı arıza tespiti ve sınıflandırması
Improved voting model based fault detection and classification in distributed generation power systems
FEVZEDDİN ÜLKER
- Difüzyon ağları ile görüntü rekonstrüksiyonu ve restorasyonu
Image reconstruction and restoration with diffusion networks
ONUR PARAPAN
Yüksek Lisans
Türkçe
2025
İstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Hesaplamalı zeka temelli yeni bir üstsezgisel algoritma: demokrasi optimizasyonu
A new computational intelligence-based metaheuristic algorithm: democracy optimization
CEM RECAİ ÇIRAK
Doktora
Türkçe
2025
İstanbul Üniversitesi-CerrahpaşaElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Doğrusal uzaylarda en iyi yaklaşım ve jeodezik uygulamaları
Best approximation in linear spaces and it's geodetic applications
EMİN AYHAN
