Hybrid deep multi-criteria recommender system model
Hibrit derin çok kriterli öneri sistemi modeli
- Tez No: 670861
- Danışmanlar: PROF. DR. YUSUF İLKER TOPCU
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mühendislik Yönetimi Bilim Dalı
- Sayfa Sayısı: 82
Özet
Öneri sistemleri, düzenli olarak algılanan modellerin video ve müzik hizmetleri için oynatma listesi oluşturucuları, çevrim içi mağazalar için öğe önericileri veya web tabanlı medya platformları için içerik önericileri ve açık web içeriği önericileri olarak göründüğü çeşitli mecralarda kullanılır. Bu sistemler, müzik gibi tek bir girişi veya haberler, kitaplar ve arama sorguları gibi platformlar içinde ve arasında birden çok girdi kullanarak çalışabilir. Restoranlar gibi belirli konular için ayrıca ünlü öneri çerçeveleri vardır. Araştırma makalelerini ve uzmanları, ortakları ve finansal idareleri keşfetmek için öneri sistemleri de oluşturulmuştur. Temelde, iki tür öneri sistemi bulunmaktadır: Öneride tipik olarak tek bir ölçüt kullanan geleneksel öneri sistemleri ve çok ölçüt kullanan öneri sistemeleri. Araştırmalar çok ölçüt önerisi olan öneri sisteminin daha doğru çalıştığını göstermiştir. Öneri sistemleri, genellikle iş birliğine dayalı filtrelemeyi ve içerik tabanlı filtrelemeyi kullanır (kişiliğe dayalı metodoloji olarak da adlandırılır). Bilgiye dayalı sistemler gibi bazı başka sistem çeşitleri de bu şekilde çalışmaktadır. İş birliğine dayalı filtreleme yaklaşımları, farklı kullanıcılar tarafından alınan benzer kararlar gibi, (yakın zamanda satın alınan veya seçilen ürünler ve bu ürünlere ek olarak sayısal derecelendirme yapılması) bir kullanıcının önceki kararından yola çıkarak yeni bir model oluşturur. Bu model daha sonra kullanıcının ilgisini çekebilecek ögeleri (veya ögeler için değerlendirmeleri) öngörmek için kullanılır. İçerik tabanlı filtreleme yaklaşımları, benzer özelliklere sahip ek ögeler önermek için bir ögenin ayrı ve önceden etiketlenmiş özellikler dizisini kullanır. Mevcut öneri sistemleri normal şartlarda bir veya daha fazla metodolojiyi hibrit bir sistemde birleştirir. Öneri sistemlerinin çoğu günümüzde ortak filtrelemeyi, içeriğe dayalı filtrelemeyi ve farklı yaklaşımları birleştiren hibrit bir yaklaşım kullanmaktadır. Benzer türden birkaç benzersiz yöntemin melezlenememesinin arkasında hiçbir neden yoktur. Hibrit yaklaşımlar birden çok şekilde gerçekleştirilebilir: İçerik tabanlı ve iş birliğine dayalı beklentileri bağımsız olarak yaparak ve daha sonra bunlara katılarak; iş birliğine dayalı bir yaklaşıma içerik temelli yetenekler ekleyerek (ve tam tersi); veya metodolojileri tek bir modelde birleştirerek. Hibrit yaklaşımın performansını iş birlikçi ve içeriğe dayalı stratejilerle tam olarak karşılaştıran ve hibrit tekniklerin diğer tekniklerden daha kesin öneriler verebileceğini gösteren birkaç çalışma bulunmaktadır. Bu teknikler, aynı şekilde, soğuk çalıştırma ve seyreklik gibi öneri sistemlerindeki popüler sorunlardan kurtulmak için de kullanılabilir. Yeni derin öğrenme teknikleri bilgisayarla görme, konuşmayı tanıma, görüntü anlama ve dil işleme gibi birçok alanda kayda değer başarılara imza atmıştır. Bu tür tekniklerin öneri sistemlerinde kullanımı son zamanlarda çok ilgi görmeye başlamıştır ve derin öğrenmeye dayalı birkaç öneri modeli geliştirilmiştir. Derin öğrenmeye dayanan öneri sistemleri üzerine yapılan yeni araştırmaların çoğu, değerlendirmede tek kriteri kullanan geleneksel sistemlerin modellerini ele almaktadır. Bu çalışmada derin öğrenmenin henüz kullanılmadığı bulunmuştur. Derin öğrenmeyi kullanmaya yönelik tüm girişimler işbirlikçi öneri sistemleriyle sınırlı olduğu için hibrit çok kriterli öneri sistemlerinde kullanılır. Bu nedenle, bu tez, çoklu kriterlere dayalı derin öğrenmeyi kullanarak geleneksel hibrit öneri sistemlerinin performansını artırmayı amaçlamaktadır. Bu araştırmada sunulan ana katkılar şu şekilde özetlenmiştir: Derin öğrenmeye dayalı bir hibrit çok kriterli öneri sistemi için bir model tasarlamak, modeli gerçek dünya veri kümesinde değerlendirmek ve son olarak derin öğrenme ve çoklu kullanımın etkinliğini göstermek - geleneksel hibrit öneri sistemlerinin performansının iyileştirilmesine yönelik kriterler. Tez kapsamındakonu hakkında genel bir giriş yapıldıktan sonra öneri sistemleri kavramlarına ve tekniklerine ve aralarındaki farklara genel bir bakış sağlanmakatdır. Ayrıca derin öğrenme türlerini sunulmaktadır. Daha sonra işbirliğine dayalı filtrelemeyi kullanarak çok kriterli öneri sistemlerinde derin sinir ağları, Otomatik Kodlayıcılar (Auto Encoders - AE), Tekrarlayan Sinir Ağları (Recurrent Neural Network - RNN), Evrişimli Sinir Ağları (Convolutional Neural Network - CNN) ve geniş ve derin sinir ağları gibi farklı sinir ağı yapılarını kullanarak derin öğrenmeye dayanan öneri sistemlerine ait araştırmalar sunulmaktadır. Bundan sonra, derin öğrenmeye dayalı bir hibrit çok kriterli öneri sistemi için önerilen model ayrıntılı olarak açıklanmakta ve ardından modelin değerlendirmesini ve sonuçlarını tanıtılmaktadır. Modelin sonuçları diğer modellerle de karşılaştırıılmaktadır. Buna ek olarak, tez kapsamında yapılan çalışmada derin öğrenmeye dayalı öneri sistemindeki çok kriterli yaklaşımın uygulanmasının gelecekteki beklentilerine ışık tutulmaktadır. Hibrit, derin çok kriterli öneri sistemi için önerilen modelin ilk kısımında model kullanıcı kimliğini, öğe kimliğini ve ölçüt derecelendirmelerini tahmin eden derin bir sinir ağına girdi olarak kullanılacak öğe meta verilerini elde eder. Bu kriter derecelendirmeleri, genel derecelendirmeyi tahmin etmek için kullanılan derin bir sinir ağı olan ikinci bölümün girdisini oluşturur. Elde edilen deneysel sonuçlar, önerilen modelin iyi performans gösterdiğini ve tüm değerlendirme ölçütlerinde diğer modellerden daha iyi performans sergilediğini göstermiştir, böylelikle hibrit çok kriterli kullanımın ve derin öğrenmenin öneri sistemlerinin performansını iyileştirmek için etkin ve başarılı bir yöntem olduğu kanıtlamıştır. Gerçek dünya veri seti üzerindeki testler, önerilen yeni modelin, performansı değerlendirmek için kullanılan tüm ölçümlerde işbirlikçi derin çok kriterli öneri sistemi modeli ve derin geleneksel işbirliğine dayalı filtreleme modeline göre üstünlüğünü göstermiştir. Bu, hibrit derin öğrenmenin ve öneri sistemlerinde çoklu kriterlerin başarılı bir şekilde kullanıldığına dair bir gösterge sağlamaktadır. Son olarak, önerilen model geneldir, uygulaması kolaydır ve derin öğrenme mimarilerinden bağımsızdır, bu nedenle model farklı bir mimari kullanarak geliştirilebilir. Konunun yeniliği, derin çok kriterli öneri sistemleri alanında araştırma yetersizliği, bu tez sırasında karşılaştığımız temel zorluklar arasındadır.
Özet (Çeviri)
Recommender systems are utilized in an assortment of areas, with regularly perceived models appearing as playlist generators for video and music services, item recommenders for online stores, or content recommenders for web-based media platforms and open web content recommenders. These systems can operate using a single input, like music, or multiple inputs within and across platforms like news, books, and search inquiries. There are additionally famous recommender frameworks for specific subjects like restaurants and online dating. Recommender systems have also been created to explore research articles and specialists, partners, and financial administrations. Basically, we have two types of Recommender systems: Traditional recommender systems which typically use a single criterion in the recommendation, while studies have shown that the other type which is the multi-criteria recommending is more accurate. Recommender systems commonly utilize either or both collaborative filtering and content-based filtering (it is also called the personality-based methodology). Furthermore, other systems, for example, knowledge-based systems. Collaborative filtering approaches raise a model from a user's previous conduct (items recently bought or chosen and additionally numerical rating is given to those items) just as similar decisions made by different users. This model is then used to foresee items (or evaluations for items) that the user may have an interest in. Content-based filtering approaches use a sequence of discrete, pre-labeled characteristics of an item to recommend additional items with similar properties. Current recommender systems normally merge one or more methodology into a hybrid system. Most recommender systems currently utilize a hybrid approach, merging collaborative filtering, content-based filtering, and different approaches. There is no cause behind why a few unique methods of a similar sort could not be hybridized. Hybrid approaches can be carried out in multiple ways: by making content-based and collaborative-based expectations independently and afterward joining them; by adding content-based abilities to a collaborative-based approach (and the other way around); or by binding together the methodologies into one model. A few studies that exactly compare the performance of the hybrid with the collaborative and content-based strategies and showed that the hybrid techniques can give more precise recommendations than other techniques. These techniques can likewise be utilized to rid of the popular problems in recommender systems like cold start and sparsity. Novel deep learning techniques have produced remarkable achievements in many fields such as computer vision, speech recognition, image understanding, and language processing. The use of such techniques in recommendation systems has started to get a lot of attention recently, and several models of recommendation have been proposed based on deep learning. However, there is still no work that uses deep learning in hybrid multi-criteria recommender systems. In this thesis, a model for a hybrid deep multi-criteria recommender system was presented. The model mainly includes two major parts: In the first one, the model obtains the user and item IDs, and the item metadata to be used as input to a deep neural network (DNN) that predicts the criteria ratings. The obtained ratings act as an input to the subsequent stage, where the overall rating is predicted by another DNN. Our tests on a real-world dataset showed the superiority of the proposed novel model over the collaborative deep multi-criteria recommender system model and the deep traditional collaborative filtering model in all measures used to evaluate performance. This provides an indication of the successful use of hybrid deep learning and multi-criteria in the recommendation systems.
Benzer Tezler
- Towards modeling and mitigating misinformation propagation in online social networks
Çevrimiçi sosyal ağlarda yanlış bilgi yayılımının modellenmesi ve azaltılması üzerine
TOLGA YILMAZ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR ULUSOY
- Holografik mikroskopinin hücresel analiz ve veri güvenliği performansının iyileştirilmesi
Improvement of cellular analysis and data security performance of holographic microscopy
MUHAMMED ALİ PALA
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA ZAHİD YILDIZ
- Siber saldırıların tespitinde yapay zekâ tabanlı algoritma tasarımı
Ai-based algorithm design in detection of cyber attacks
AHMET NUSRET ÖZALP
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZAFER ALBAYRAK
- İmalat sistemlerinin tasarlanması ve öncelik kurallarının belirlenmesinde yapay sinir ağlarının kullanılması
Başlık çevirisi yok
TARIK ÇAKAR
Doktora
Türkçe
1997
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. AYHAN TORAMAN
- Designing a smart security framework for software defined networks
Yazılım tanımlı ağlar için akıllı güvenlik çerçevesinin tasarlanması
HANİ ELUBEYD
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA YILTAŞ KAPLAN