Generating negative samples with a related task for recommendation
Öneri sistemleri için ilgili bir görev kullanılarak negatif örneklerin yaratılması
- Tez No: 542490
- Danışmanlar: YRD. DOÇ. DR. BARIŞ AKGÜN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 59
Özet
Öneri sistemleri, sadece tüketicilere geniş bir ürün yelpazesi sunmakla kalmıyor aynı zamanda tedarikçilerinde karlarını arttırarak büyümelerine fayda sağlıyor. Bu sistemlerin çoğunluğu, ürün değerlendirmeleri (açık veri) ve satın alma geçmişi (örtükveri) gibi tüketici tercihlerine göre eğitilmiştir. Açık verilerle çalışmak daha kolaydır, ancak her kullanıcıdan elde etmek kolay değildir. Çoğu öneri sistemi örtük veri kullanmaktadır çünkü kullanıcı satın alma yaptığı anda tüm bilgileri kaydedilmektedir. Örtük verileri kullanmanın dezavantajı, sadece gözlemlenen (pozitif) kullanıcı-ürün çiftlerini içermesi ve sonuçta ortaya çıkan sistem performansının olumsuz örneklerin eksikliğinden muzdarip olmasıdır. Sadece örtük verilere bakarak, bir kullanıcının bir ürünü neden satın almadığını yorumlamak neredeyse imkansızdır. Bunun nedeni, kullanıcının bu öğeyi beğenmemesi ki bu gerçek bir olumsuz örnek anlamına gelirveya kullanıcının yalnızca ürünün farkında olmaması olabilir. Bu soruna değinen iki ana yaklaşım vardır. Birincisi, tüm gözlemlenmemiş kullanıcı-ürün çiftini bilinmeyen veri olarak düşünmektir ama bu oldukça seyrek bir veri kümesi oluşmasınaneden olur. ̇İkinci yaklaşımda gözlemlenemeyen tüm kullanıcı-ürün çiftlerini ya da onların ağırlıklandırılmış ortalamasını olumsuz örnek olarak almaktır. Bu yöntemlerde olumlu örnek olabilecek kullanıcı-ürün çiftlerini kaybederek yanlış çıkarımlaryapmamıza neden olabilir. Bu çalışmada olumsuz örnek çiftlerini oluşturmak için ikinci bir modelden yararlanan derin öğrenmeye dayalı yeni bir method önerdik. Yaklaşımımızı ̇Ilgili Görev Örnekleme (RTS) diye adlandırdık. Hem CTR hem de öneri modellerini çoklu koşullarda eğitmek ve temel yaklaşımlarla karşılaştırmak için büyük bir turizm şirketinden gerçek dünya veri setlerini kullandık. Başlıca sonuçlarımız, RTS negatifleri tarafından eğitilen öneri modellerinin temel yaklaşımlarına oranla ortalama olarak %10′dan daha fazla performans sağladığını göstermektedir.
Özet (Çeviri)
Recommender systems benefit both the consumers by helping them navigate alarge selection of items and the providers by increasing their profits. Majority of thesesystems are trained based on consumer preferences such as product ratings/reviewsand purchase history. The former is considered as explicit data and the latter isconsidered as implicit data. Explicit data is easier to work with but is not easy toobtain from each user. Implicit data is immediately available when a user purchasesan item and as such majority of the recommender systems use this type of data.The drawback of using implicit data is that it only includes the observed (positive)user-item pairs and the resulting system performance suffer from lack of negativeexamples. By only looking at the implicit data, it is nearly impossible to interpretwhy a user did not purchase an item. It may be because the user does not like thatitem, which implies a genuine negative example, or because the user is simply unawareof it. There are two main approaches to tackle this issue. First one is to considerall the unobserved user-item pairs as missing which leads to a highly sparse data set.The second one is to consider all or a weighted subset of unobserved pairs as negativewhich causes miss-interpretation by losing user-item pairs that may be positive.In this work, we propose a novel approach to explicitly deal with this ambiguity,by using a related task, namely click through rate (CTR) prediction. We train a deepneural network based CTR model and use it to generate negative samples for anotherdeep recommendation model. We call our approach Related Task Sampling (RTS).We use real-world datasets from a large tourism company to train both the CTRand the recommendation models in multiple conditions and compare with commonbaselines. Our main results show that the recommendation models trained by RTSnegatives outperform the baselines by more than 10% on average.
Benzer Tezler
- Akademik hukuk makalelerinde atıf önerisi
Citation recommendation on scholarly legal articles
DOĞUKAN ARSLAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLŞEN ERYİĞİT
- Creativity in second language speech production: Investigating the role of task type and preparation time
Yabanci dil konuşma becerilerinde yaratıcılık: Görev türü ve hazırlık süresinin rolü açısından bir inceleme
YUNUS EMRE KAHVECİ
Yüksek Lisans
İngilizce
2024
DilbilimMuğla Sıtkı Koçman ÜniversitesiYabancı Diller Eğitimi Ana Bilim Dalı
DOÇ. DR. PERİHAN KORKUT
- 1200 baud FSK tümleşik modem tasarımı
Başlık çevirisi yok
BARIŞ POSAT
Yüksek Lisans
Türkçe
1998
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR ÇİLİNGİROĞLU
- Yükseköğretimde araştırma-öğretim etkileşimi: Eğitim fakülteleri örneği
The research-teaching interaction in higher education: Sample of education faculties
AYŞE DURMAZ
Doktora
Türkçe
2023
Eğitim ve ÖğretimMarmara ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. AYŞEN BAKİOĞLU
- Hücresel nöral ağlar ve uygulamaları
Cellular neural networks and applications
SEVİLAY ÖZDEMİR
Yüksek Lisans
Türkçe
1991
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF.DR. I. CEM GÖKNAR