İşbirlikçi filtreleme için üst veri kullanılarak benzerlik denklemleri performanslarının iyileştirilmesi
Enhancing the performance of similarity equations by metadata for collaborative filtering
- Tez No: 727761
- Danışmanlar: DR. ÖĞR. ÜYESİ NİHAT ADAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
- Sayfa Sayısı: 55
Özet
Öneri sistemleri, kişi ve öğe bilgilerini kullanarak ve birbirleri ile olan etkileşimlerini işleyerek kullanıcılara göre özelleştirilmiş öneriler sunmaktadır. Kişiselleştirilmiş ürün önerileri, kullanıcıların ilgilerini çekebilecek ürünlere erişmelerini kolaylaştırmaktadır. Ders öneri sistemleri ise öğrencileri ilgilendikleri ve başarılı olabilecekleri alanlara yönlendirmeyi amaçlamaktadır. Eöğrenme sitelerinde farklı disiplinlerden çok sayıda kurs ve öğrenci bulunmaktadır. Buna karşın, eğitim kurumlarındaki öğrenciler ise önceden belirlenmiş bir müfredatı takip etmek zorundadır. Her eğitim kurumu, ders seçimi için farklı kısıtlara sahip olduğundan, ders öneri sistemi geliştirme problemine özel bir yaklaşım gerekmektedir. Problemin sınırlayıcı doğası gereği, eğitim kurumları için ders öneri sistemi geliştirilmesi zorlu bir alan olarak kabul edilmektedir. Bu çalışmada, işbirlikçi filtreleme ve içerik tabanlı filtreleme modelleri kullanan hibrit öneri sistemi önerilmiştir. İşbirlikçi filtreleme algoritması, öğrencilerin harf notlarını değerlendirme skoru olarak kullanmaktadır. İçerik tabanlı filtreleme algoritması ise öğrenciler ve dersler hakkındaki metin formatında bulunan bilgileri, doğal dil işleme yöntemleri ile özellik vektörlerine dönüştürerek kullanmaktadır. Hibrit öneri sistemini oluşturma işleminde, işbirlikçi filtreleme ve içerik tabanlı filtreleme modellerinden birer tane seçilmiş ve farklı birleştirme yöntemleri uygulanmıştır. Deneysel sonuçlarda ise, hibrit öneri sisteminin kendisini oluşturan algoritmalardan, tüm değerlendirme metriklerinde, daha başarılı sonuçlar elde edebildiği görülmüştür. Sonuç bölümündeki diyagramda, farklı kombinasyonlar ile oluşturulmuş hibrit modeller için sıralamaya duyarlı metrik değerleri gösterilmektedir. Özellikle, içerik tabanlı filtreleme ve Bayes kişiselleştirilmiş sıralamasından oluşan hibrit model, diğer tüm tekil modellerden daha iyi performans göstermiştir.
Özet (Çeviri)
Recommender systems provide personalized suggestions by processing user and item information and interactions. Preparing the generated suggestions for users instead of a general user group is called personalization. Course recommendation systems, on the other hand, aim to guide students to fields of interest in which they can succeed. On e learning sites, there are many courses and students from different fields. However, students in educational institutions must follow a curriculum. Since each educational institution has distinct constraints on course selection, a specific approach to the problem is required to develop a course recommender system. Due to the restrictive nature of the problem, developing a recommendation system for institutions is considered challenging. In this study, a hybrid recommender system that consists of different combinations of collaborative filtering and contentbased filtering models is proposed. The collaborative filtering algorithms use grades as rating values. The contentbased filtering algorithms utilize textbased information about students and courses by converting them into feature vectors using natural language processing methods. In the combination phase of the hybrid recommender system, only one of the collaborative filtering and one of the contentbased filtering models are used with different ensembling methods. It is found that the hybrid recommender system can achieve outperforming results for all evaluation metrics. The result plot shows the values of the rankaware metrics for the individual models and the hybrid models with different combinations. In particular, for contentbased filtering with Bayesian personalized ranking, the hybrid model performs better than any algorithm in practice.
Benzer Tezler
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Veri madenciliği yöntemleri ile bilgi merkezi verilerinden bilgi keşfi
Discovering knowledge in information centers data with data mining methods
SEFA BAYRAKTAR
Yüksek Lisans
Türkçe
2024
Bilgi ve Belge YönetimiBurdur Mehmet Akif Ersoy ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. İSMAİL KIRBAŞ
- Many‐objective multi‐criteria diet optimization problem
Çok amaçlı çok kriterli diyet eniyileme problemi
CUMALİ TÜRKMENOĞLU
Doktora
İngilizce
2023
Beslenme ve Diyetetikİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE ŞİMA ETANER UYAR
DR. ÖĞR. ÜYESİ BERNA KİRAZ
- Product ranking, pricing, and recommendation for e-commerce retailers and platforms
Çevrimiçi perakendeciler ve e-ticaret platformları için ürün sıralama ve fiyatlandırması
ALIREZA KABIRMAMDOUH
Doktora
İngilizce
2022
Endüstri ve Endüstri MühendisliğiKoç Üniversitesiİşletme Ana Bilim Dalı
PROF. ABDULLAH GÜRHAN KÖK
- Efficient personalized learning to rank from implicit feedback for time-sensitive recommendations
Zaman duyarlı öneriler için örtük geri bildirimden verimli şekilde kişiselleştirilmiş sıralama öğrenme
ARİF MURAT YAĞCI
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SADIK FİKRET GÜRGEN
DR. ÖĞR. ÜYESİ TEVFİK AYTEKİN