Geri Dön

Naive Bayes prediction model on location-based recommendation by integrating multi-dimensional contextual information

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 696626
  2. Yazar: GÜNAY GÜLTEKİN
  3. Danışmanlar: PROF. DR. OĞUZ BAYAT
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 90

Özet

Son yıllarda yapılan çalışmalarda film, sosyal, haber, e-ticaret, kitap, sağlık, oyun, belge, turizm vb. farklı alanlara dayalı birçok farklı öneri sistemi bulunmaktadır. Bu sistemler kullanıcılara ürün veya hizmet önerileri sunmak için algoritmalar kullanır. kullanıcılar hakkındaki bilgilere dayanmaktadır. İlgi Çekici Nokta (POI), kullanıcı deneyimini iyileştirmek için kişiselleştirilmiş ve bağlama duyarlı önerilere odaklanan yeni bir öneri sistemi biçimidir. Bu öneri sistemlerinde coğrafi ve sosyal bağlam bilgileri kullanılmaktadır. İÇN'de check-in verilerinin kullanılması, etkili konum tabanlı önerileri artırır. Bu bildiride, üç boyutlu uzaya sahip olan ve modelin boyutsallığını artıran bir Matris Çarpanlarına ayırma uzantısı olan Tensör Çarpanlarına (TF) bağlı olarak işbirlikçi bir filtreleme yöntemi önerilmiştir. Genellikle üç boyutlu model (kullanıcı, boylam-enlem bilgisi ve konum kimliği bilgisi) en çok kullanılanlardan biridir. Check-in verileri eklenerek model, POI'de kullanılan dördüncü boyutlu bir model haline gelir. Bu makalede [1], yüksek düzeyde karmaşıklığa ve yavaş yakınsamaya sahip olan stokastik gradyan iniş (SGD) algoritması kullanılmıştır. Bu problemlerin üstesinden gelmek için, bu makalede tensör problemini çözmek için Naive Bayes Tahmin Modeli adlı daha verimli bir yöntem oluşturmayı planlıyoruz. Ardından çıktıları almak, diğer yöntemlerin çıktılarını karşılaştırmak ve önerilen yöntemimizin etkinliğini göstermek için Brightkite veri setini kullanırız.

Özet (Çeviri)

In recent studies, there are many different recommender systems based on different domains such as movie, social, news, e-commerce, books, health, games, documents, tourism, etc. These systems use algorithms to provide users with products or service recommendations based on information about the users. Point of Interest (POI) is a new form of recommender system that focuses on personalized and context-aware recommendations in order to improve user experience. Geographical and social context information is used in these recommender systems. Using the check-in data in POI increases the effective location-based recommendations. In this paper, a collaborative filtering method was proposed by depending on Tensor Factorization (TF) which has three-dimensional space and it is a Matrix Factorization extension that increases the model's dimensionality. Generally, model in three dimensions (user, longitude-latitude information, and location id information) is one of the most popularly used. By adding check-in data, the model becomes a fourth-dimensional model which was used in POI. The stochastic gradient descent (SGD) algorithm is used in this article [1], which has a high level of complexity and sluggish convergence. To handle these problems, we plan to create a more efficient method named as Naive Bayes Prediction Model to solve the tensor problem in this article. Then we use Brightkite dataset to take the outputs, compare other methods' outputs, and show the effectiveness of our proposed method.

Benzer Tezler

  1. Tez No

    585012

    Human activity prediction using lifelogging data

    Günlük yaşam verilerini kullanarak insan aktivitelerinin tahminlenmesi

    GİZEM SARIARSLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMRE AKBAŞ

    PROF. DR. ADNAN YAZICI

  2. Tez No

    831142

    İris görüntüleri kullanılarak makine öğrenmesi ile koroner arter hastalığının tespiti

    Coronary artery disease detection based on iris images using machine learning

    FERDİ ÖZBİLGİN

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiOndokuz Mayıs Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇETİN KURNAZ

  3. Tez No

    846535

    Antenna design for breast cancer detection and machine learning approach for birth weight prediction

    Meme kanseri tespiti için anten tasarımı ve doğum ağırlığı tahmini için makine öğrenmesi yaklaşımı

    HALUK KIRKGÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ONUR KURT

  4. Tez No

    864963

    Yeni nesil yazılım tanımlı veri merkezleri için yapay zeka tabanlı görev planlama modeli

    Başlık çevirisi yok

    NURCAN YILMAZ AKARSU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolManisa Celal Bayar Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜGE ÖZÇEVİK

  5. Tez No

    763915

    Diabetes prediction using machine learning algorithms

    Makine öğrenmesi algoritmaları ile şeker hastalığının tahmini

    ŞEYMA KIZILTAŞ KOÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA YENİAD

Geri Dön