Time and location based venue category recommendation using machine learning
Makine öğrenmesi yöntemleri ile zaman ve konum tabanli mekan kategorisi önerme
- Tez No: 586546
- Danışmanlar: YRD. DOÇ. DR. CEMAL OKAN ŞAKAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 58
Özet
Bu tez herkese açık check-inleri (Foursquare-Kaggle), Foursquare API'si ve hava durumu geçmişi verilerini kullanarak bir mekan tavsiye motoru geliştirmeyi amaçlıyor. Bu çalışmanın alakalı diğer tavsiye motorlarından ana farklarından biri de asıl check-in verisine hava durumu bilgisini katması. İnsanların hava yağmurlu, karlı veya genel olarak kötü olduğunda genelde yakınlarındaki mekanlara gitme eğilimi, normal hava koşullarında da daha uzaklara gitme eğilimi makine öğrenmesi modeline katkıda bulunabilir. Bu tezde kullanıcının check-in yapacağı bir sonraki mekanın kategorisi kullanıcının geçmişine ve hava durumu bilgileri kullanan makine öğrenmesi teknikleri ile tahmin edildi. Bu kategori bilgisi ve diğer kullanıcı ve mekanlar arasında işbirlikçi filtreleme kullanılarak bir sonraki mekan tavsiye edildi. Önerilen modelin ilk kısmı sınıflandırma problem olarak modellendi. İlk olarak Yemek, Sanat&Eğlence, Açık Alanlar ve Gece Hayatı Noktası kategorilerinden biri tahmin edildi. Modelin bu kısmında Zaman Geciktirmeli Yapay Sinir Ağları ve Rastgele Orman algoritmaları kullanıldı. Kategoriyi önce tahmin etmenin asıl amacı mekan uzayını daraltarak daha rafine öneriler sunmak. Sistemin ikinci kısmında ise, ilk kısımda tahmin edilen kategori de dahil edilerek mekan tavsiyesi vermek için işbirlikçi filtreleme uygulandı. Kullanıcıya en alakalı ve gerçekçi mekan tavsiyesi verilmesi hedeflendi. Kategori tahminlemede en iyi skorlar yaklaşık 80% başarı ile rastgele orman sınıflandırıcısı tarafından elde edildi. En son mekan tavsiye kısmı, tavsiye edilebilecek çok fazla mekan olduğundan dolayı ilk kısımdan çok daha düşük çıktı. İkinci kısmın daha gerçekçi değerlendirmesi ancak önerilen modelin gerçek bir konum tabanlı uygulamaya entegre edilmesi ile verilen tavsiyelere gidilme oranlarının ölçülmesi ile yapılabilir.
Özet (Çeviri)
This thesis aims to develop a venue recommendation engine that uses public check-ins (Foursquare-Kaggle), Foursquare API and Weather History as input. Incorporating external information such as the weather conditions to the original input is one of the main differences of this thesis from the other related venue recommendation engine studies. Such information can be useful in a machine learning model since people intend to go nearby places if the weather is rainy, snowy or“bad”in short and go much further away in normal weather conditions. In this thesis, the next venue's category was predicted based on users' history and weather conditions with machine learning techniques. The next venue has been recommended using that category information and collaborative filtering to calculate the similarity between other users and venues. The first part of the proposed model has been modeled as a classification problem. One of the categories out of four classes which are Food, Arts & Entertainment, Outdoor, Nightlife is firstly generated as a prediction. Time Delay Neural Networks and Random Forest algorithms are used in this part of the model. The aim of predicting category first is to narrow down venue space. In the second part of the system, collaborative filtering is applied to recommend a specific venue from the category that has been produced by the first part. The goal was to give the most relevant and realistic venue recommendation to a user. The best results on category prediction were achieved using random forest classifier with around 80% accuracy. The accuracy of the final venue recommendation part is much lower than category prediction since there is a great number of specific venues to be recommended. A more realistic evaluation of the second part can be performed by implementing the proposed model as a real location-based application and the success of the recommendation engine can be evaluated over the return of those recommendations.
Benzer Tezler
- Developing a context-aware location recommender system for location-based social networks
Konum tabanlı sosyal ağlar için bağlam duyarlı konum tavsiye sistemi geliştirme
AYSUN BOZANTA
Doktora
İngilizce
2018
İşletmeBoğaziçi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. BİRGÜL KUTLU BAYRAKTAR
- Konum tabanlı sosyal ağlarda konum tahmini
Location prediction in location-based social networks
MÜCAHİT BAYDAR
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SONGÜL ALBAYRAK
- Avmlerin fijital deneyim merkezlerine dönüşümü ve artırılmış gerçeklik tabanlı bir oyunlaştırılmış ortam önerisi: 'Forus'
The transformation of the malls to the phygital experience centers and as a gamification framework for ar based phygital retail: 'Forus'
ÇAĞIL ÖZALP
Yüksek Lisans
Türkçe
2019
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
DOÇ. DR. SEMA ALAÇAM
- The relation between venue preference and urban morphology in terms of smart city living
Akıllı şehir yaşam koşullarında konum tercihi ile morfoloji arasında ilişki
MARYAM ARSHADI
Yüksek Lisans
İngilizce
2021
Mimarlıkİstanbul Teknik ÜniversitesiKentsel Tasarım Ana Bilim Dalı
DOÇ. DR. NESİP ÖMER EREM
- Smart city modeling using big data techniques
Büyük veri teknikleri kullanarak akıllı şehir modelleme
MUHAMMET SIDDIK EMEK
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL BURAK PARLAK