Derin öğrenme yaklaşımları ile çoklu-kriterli öneri sistemlerinin problemlerini çözmek
Deep learning-based approaches to handle challenges of multi-criteria recommender systems
- Tez No: 614718
- Danışmanlar: DOÇ. DR. CİHAN KALELİ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Çoklu-kriterli öneri sistemleri, Doğruluk, Veri seyrekliği, Ölçeklenebilirlik, Derin öğrenme, Multi-criteria recommender systems, Accuracy, Sparsity, Scalability, Deep learning
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Yazılımı Bilim Dalı
- Sayfa Sayısı: 83
Özet
Artan İnternet kullanımıyla birlikte kullanıcılar kişisel zevklerine uygun ürünlere/hizmetlere erişmekte zorlanırlar. Geleneksel öneri sistemleri bu durumla başa çıkabilmede etkili yöntemlerdendir. Ancak günümüzde kullanıcılar geleneksel öneri sistemlerindekinin aksine ürünler/hizmetler hakkında farklı kriterler bazında değerlendirmelerde bulunurlar. Çoklu-kriterli öneri sistemleri, kullanıcılarına farklı kriterler altında değerlendirme yapmalarına olanak sunan geleneksel öneri sistemi uzantılarıdır. Çoklu-kriterli öneri sistemlerinde üretilen tahminlerin doğruluğu, kullanıcı memnuniyetini ve bu sistemlerin sürdürülebilirliğini etkiler. Ayrıca artan kriter sayısına bağlı olarak çoklu-kriterli öneri sistemlerinde veri seyrekliği problemi daha belirgin bir sorun haline dönüşmekte ve artan veri miktarından dolayı makul zamanda tahminler üretmek zorlaşmaktadır. Derin öğrenme tekniklerinin heterojen ve büyük boyutlu veriden gizli, kompleks ve lineer olmayan özellikleri çıkarmadaki başarısı bu tekniklerin geleneksel öneri sistemlerinde sıklıkla kullanılmasını sağlamıştır. Bu tez kapsamında çoklu-kriterli öneri sistemlerinin temel problemlerinden olan doğruluk, veri seyrekliği ve ölçeklenebilirlik sorunlarını çözebilmek amacıyla otokodlayıcılara dayanan yeni yaklaşımlar önerilmiştir. Gerçek veri setleri üzerinden gerçekleştirilen deneysel çalışmalar ve analizler, önerilen yöntemlerin mevcut öncü çoklu-kriterli öneri sistemi algoritmalarına göre belirtilen problemlerin çözümünde daha etkili olduklarını göstermiştir.
Özet (Çeviri)
With increasing usage of the Net, users have difficulties in accessing products/services which matching their personal tastes. Traditional recommender systems are effective methods to cope with this situation. However, unlike traditional recommender systems, users have evaluated products/services considering different criteria recently. Multi-criteria recommender systems are extensions of traditional recommender systems that allow users to evaluate considering different criteria. Accuracy of produced predictions by multi-criteria recommender systems affects users' satisfaction and sustainability of these systems. Furthermore, due to the increasing number of criteria, sparsity becomes a more prominent problem for multi-criteria recommender systems and producing predictions at a reasonable time becomes difficult due to the increasing amount of data. The success of deep learning techniques in extracting hidden, complex and nonlinear features from heterogeneous and big data has led to the frequent usage of these techniques in traditional recommender systems. In this dissertation, new approaches based on autoencoders have been proposed in order to solve main problems of multicriteria recommender systems such as accuracy, sparsity and scalability. Experimental works and analyzes performed on real data sets have shown that the proposed methods are more effective than the existing state-of-the-art multi-criteria recommendation techniques in solving the specified problems.
Benzer Tezler
- Deep learning-based multi-context-aware multi-criteria recommender system
Derin öğrenme tabanli çoklu bağlama duyarli çok kriterli öneri sistemi
IFRA AFZAL
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CİHAN KALELİ
DR. ÖĞR. ÜYESİ BURCU YILMAZEL
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Derin öğrenme yaklaşımları ile gömülü platform üzerinde yüz analizi sisteminin gerçekleştirilmesi
Implementation of face analysis system with deep learning approaches on embedded platform
ABDULATIF AHMED ALI ABOLUHOM
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMET KANDİLLİ
- Dental panoramik radyografilerde derin öğrenme tabanlı segmentasyon yaklaşımları
Deep learning based segmentation approaches on dental panoramic radiographies
NİDA KUMBASAR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
PROF. İBRAHİM YÜCEL ÖZBEK
- Ortaokul öğrencilerinin öz-düzenleme becerileri, sosyal bilgiler öğrenme yaklaşımları, anne-baba ve öğretmenlerinin akademik katılımlarının incelenmesi
The investigation of secondary school students' self-regulation skills, social studies learning approaches, academic participation of parents and teachers
AYSUN AKGÜL
Yüksek Lisans
Türkçe
2022
Eğitim ve ÖğretimMuğla Sıtkı Koçman ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM ALDAN KARADEMİR