Öneri sistemlerinde otokodlayıcı tabanlı derin öğrenme yaklaşımı
Autoencoder based deep learning approach in recommender systems
- Tez No: 717937
- Danışmanlar: DOÇ. DR. GÜLDER KEMALBAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İstatistik, Computer Engineering and Computer Science and Control, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 86
Özet
Günümüzde artan internet kullanımı ile kullanıcıların öğeler ile etkileşime geçtikleri sosyal medya ve e-ticaret siteleri gibi birçok platform, öneri sistemleri sayesinde işlemesi zor ve büyük boyutlu veri seti içerisinden kullanıcılara kişiselleştirilmiş öneriler sunmaktadır. Kişiselleştirilmiş öneriler için sıklıkla kullanılan işbirlikçi öneri sistemlerinde, kullanıcı-öğe etkileşiminin az olduğu durumlarda öneri performansı düşerken etkileşimin hiç olmadığı durumlarda ise öneri yapılamamaktadır. Bu tez çalışmasında, işbirlikçi öneri sistemlerinde ortaya çıkan veri seyrekliği ve soğuk başlangıç problemlerini azaltmak için otokodlayıcı tabanlı derin öğrenme yaklaşımı kullanılmıştır. Kullanılan yaklaşım, Zhang ve arkadaşları tarafından 2017 yılında ortaya konulan basit yarı-otokodlayıcı yapısının derin yarı-otokodlayıcı olarak geliştirilmiş halidir. Geliştirilen derin ağ mimarisi, Kuchaiev ve Ginsburg tarafından 2017 yılında önerilen yeniden beslemeli algoritma ile eğitilmiştir. Tez çalışmasının yöntemi, literatürde mevcut olan Movielens 1M veri seti üzerinde uygulanmıştır. Tez çalışmasının uygulama kısmı, Python programlama dilinde TensorFlow kütüphanesi aracılığı ile gerçekleştirilmiştir. Elde edilen sonuçlara göre, geleneksel öneri sistemleri yerine otokodlayıcı tabanlı derin öğrenme yaklaşımı ile oluşturulan öneri sisteminin veri seyrekliği problemini azalttığı ve modele dâhil edilen yan bilgiler sayesinde herhangi bir öğe ile etkileşimi olmayan yeni bir kullanıcı için soğuk başlangıç problemini azaltarak bir öneri yapılabileceği gösterilmiştir.
Özet (Çeviri)
Today, with the increasing use of the internet, many platforms such as social media and e-commerce sites, where users interact with items, offer personalized recommendations to users from a data set that is difficult to process and large. In collaborative suggestion systems, which are frequently used for personalized suggestions, suggestion performance decreases in cases where user-item interaction is low, and suggestions cannot be made in cases where there is no interaction. In this thesis, an autoencoder based deep learning approach is used to reduce data sparsity and cold start problems in collaborative recommendation systems. The approach used is the deep semi autoencoder which is the development of the basic semi-autoencoder structure introduced by Zhang et al in 2017. The developed deep network architecture was trained with the dense refeeding algorithm proposed by Kuchaiev and Ginsburg in 2017. The method of the thesis was applied on the Movielens 1M dataset available in the literature. The application part of the thesis was carried out in Python programming language through the TensorFlow library. According to the results obtained, it has been shown that the recommendation system developed with an autoencoder based deep learning approach instead of traditional recommendation systems reduces the data sparsity problem, and thanks to the side information in the model, a recommendation can be made by reducing the cold start problem for a new user who does not interact with any item.
Benzer Tezler
- Wide-area measurement-based early prediction and corrective control for transient stability in power systems
Güç sistemlerinde geçici hal kararlılığı için geniş alan ölçümlerine dayalı erken kestirim ve düzeltici kontrol
MOHAMMED S.M. MAHDI
Doktora
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- A comparison of LSTM and GNN based session recommendation systems
LSTM ve GNN tabanlı oturum öneri sistemlerinin karşılaştırılması
ÇAĞRI EMRE YILDIZ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN
- Derin özkodlayıcı ağlar ile öneri sistemlerinde tahmin doğruluğunun artırılması
Increasing prediction accuracy in recommender systems with deep autoencoders
AKİF IŞIK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKTO Karatay ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ ÖZTÜRK
- Öneri sistemlerinde başarımı artırmak için yapay zeka tabanlı yaklaşımlar
Artificial intelligence based approaches to increase success in recommender systems
BERNA ŞEREF
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GAZİ ERKAN BOSTANCI