Öneri sistemlerinde derin öğrenme tabanlı otomatik sorgu tamamlama
Deep learning based query auto completion for recommendation system
- Tez No: 677972
- Danışmanlar: PROF. DR. MUHAMMET ALİ AKCAYOL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 62
Özet
Bu çalışmada, girdi önekini kullanarak bir sorgu tamamlama listesi oluşturmak için Uzun Kısa Süreli Bellek (Long Short-Term Memory-LSTM) tabanlı Sorgu Otomatik Tamamlama (Query Auto Completion - QAC) önerilmiştir. QAC sisteminin performansı, ilgililik skoru kullanılarak değerlendirilmiş ve geliştirilen QAC modelinin kalitesi, kısmi ve tam eşleştirme stratejileri, başarı oranı, ortalamaların ortalaması hassasiyet (mean average precision), ve normalleştirilmiş azaltılmış toplam kazanç (normalized discounted cumulative gain) kullanılarak değerlendirilmiştir. Geliştirilen LSTM tabanlı QAC sistemi, American Online (AOL) ve Open Resource for Click Analysis in Search (ORCAS) veri kümeleri kullanılarak kapsamlı bir şekilde test edilmiştir. Deneysel sonuçlara göre, önerilen QAC sisteminin performansı kısmi eşleştirme stratejisi kullanıldığında daha başarılı olmuştur. Ayrıca QAC sistemi tarafından önerilen listenin kalitesi tam eşleştirme stratejisinde daha başarılı olmuştur.
Özet (Çeviri)
In this study, Long Short-Term Memory based Query Auto-Completion (QAC) has been proposed to generate a query completion list using input prefix. The proposed LSTM based QAC system has been extensively tested using AOL and ORCAS datasets. The performance of the QAC system has been evaluated by using the relevancy score, and the quality of the QAC generation system has been evaluated by using partial and complete matching strategies, success rate, mean average precision and normalized discounted cumulative gain. According to the experimental results, the performance of the proposed QAC system more successful with the partial matching strategy. Also, the quality of the QAC generation list by the proposed QAC system is better on the complete matching strategy.
Benzer Tezler
- Hierarchical deep bidirectional self-attention model for recommendation
Hiyerarşik çift yönlü öz dikkat tabanlı derin öğrenme tavsiye modeli
İREM İŞLEK
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖĞÜDÜCÜ
- Hybrid deep multi-criteria recommender system model
Hibrit derin çok kriterli öneri sistemi modeli
ABDULRAHMAN ALNAHHAS
Yüksek Lisans
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF İLKER TOPCU
- 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
- Öneri sistemlerinde veri seyrekliği problemine derin öğrenme yaklaşımı
A deep learning approach to the problem of data sparsity in recommendation systems
ECEM BÖLÜK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA ÖZGÜR CİNGİZ
- 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