İşbirlikçi filtreleme yöntemlerinin geliştirilen bir uygulama ile karşılaştırılması
Comparison of collaborative filtering methods with an application developed
- Tez No: 522077
- Danışmanlar: PROF. DR. NEVCİHAN DURU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 87
Özet
Günümüzde alternatiflerin çoğalması kişilerin karar vermesini oldukça zorlaştırmaktadır. Öneri sistemleri ise karar verme aşamasında, kişilerin geçmiş alışkanlıklarını göz önünde bulundurarak kişiye uygun seçim yapmayı oldukça kolaylaştırmıştır. Öneri sistemlerinin temel amacı olan doğru öneride bulunmak için yürütülen çalışmalar günümüzde de devam etmektedir. Gerçekleştirilen çalışmanın amacı ise işbirlikçi filtreleme ile oluşturulan öneri sistemlerinde kullanılan yöntemlerin, sistemdeki doğru tahmin oranına olan etkisini ölçmektir. Bu çalışmada Pearson korelasyonu, sınırlı Pearson korelasyonu, kosinüs benzerliği, matris faktorizasyonu yöntemlerinden biri olan Stochastic Gradient Descent ve veri bilimi platformlarından Azure Machine Learning kullanılmış ve elde edilen sonuçlar karşılaştırılmıştır. Elde edilen sonuçlara göre ayrıca bir öneri sistemi tasarlanmıştır.
Özet (Çeviri)
Today, the multiplication of alternatives makes it very difficult for people to make decisions. Recommender systems have made it easier to make the right choice for the person with taking into account the past habits of the person in the decision making stage. The researches carried out in order to make the right suggestion which is the main aim of the recommender systems continues today. The aim of the study is to measure the effect of the methods used in the recommender systems created with collaborative filtering on the correct prediction rate in the system. In this study, Pearson correlation, constrained Pearson correlation, cosine similarity, Stochastic Gradient Descent which is one of the matrix factorization methods and Azure Machine Learning which is one of the data science platforms were used and the results obtained were compared. According to the results obtained, a recommendation system is also designed.
Benzer Tezler
- 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
- Hybrid compliance control of collaborative robots
İş birlikçi robotların hibrit uyum kontrolu
NAZ ALTEKİN
Yüksek Lisans
İngilizce
2022
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Ana Bilim Dalı
DOÇ. DR. ZEKİ YAĞIZ BAYRAKTAROĞLU
- Derin öğrenme yöntemlerini kullanarak hibrit öneri sistemi geliştirilmesi
Developing a hybrid recommendation system using deep learning methods
HAZAL ÖZGE YILMAZ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NEVCİHAN DURU
- Zeki öğretim sistemlerinde hibrit bir modelin tasarlanması ve geliştirilmesi
Design and development of a hybrid model in intelligent tutoring systems
FURKAN AYDIN
Doktora
Türkçe
2021
Eğitim ve ÖğretimHacettepe ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. HALİL YURDUGÜL
- Zamana bağlı işbirlikçi filtreleme
Collaborative filtering with temporal dynamics
ÇİĞDEM BAKIR
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SONGÜL ALBAYRAK