Veri seyrekliği ve ölçeklenebilirlik problemlerini gidermek için derin otomatik kodlayıcı tabanlı yeni bir tavsiye sistemi modeli
A novel deep autoencoder-based recommendation system model to resolve the data sparsity and scalability problems
- Tez No: 737908
- Danışmanlar: DR. ÖĞR. ÜYESİ AYŞE MERVE ACILAR
- 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: Necmettin Erbakan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Tavsiye sistemleri kullanıcının karar vermesini kolaylaştırmak amacıyla oluşturulan yapılardır. Bu yapıda kullanıcının geçmiş etkinlikleri, benzer kullanıcılar veya benzer öğeler gibi bilgiler kullanılarak mevcut kullanıcıya uygun ürün tavsiyesi sunulur. İnternet ve e-ticaret sitelerinin kullanımının artması ile tavsiye sistemleri popüler bir çalışma alanı haline gelmiştir. Son zamanlarda tavsiye sistemlerinin geliştirilmesi için, diğer bir popüler çalışma alanı olan derin öğrenme metotlarından Otomatik Kodlayıcıların kullanımı yaygınlaşmıştır. Günümüzde büyümeye devam eden veri miktarı işlenmeye ihtiyaç duymaktadır. Otomatik Kodlayıcılar giriş verisinden gizli özellikleri modelleyerek bu ihtiyacı karşılar. Zor ve karmaşık problemlerin çözümünü mümkün kılan Otomatik Kodlayıcıların simetrik ağ yapısı oy tahmini için kullanılmaktadır. Tavsiye sistemlerinde kullanılan bu mimarilerin girişi, ürüne verilen oyları içeren tek boyutlu bir vektör şeklinde olmaktadır. Ancak bilgisayarlı görme alanında, iki boyutlu resim bilgilerini işleyen başarılı Derin Otomatik Kodlayıcı mimarileri bulunmaktadır. Özellikle gürültülü/eksik resimler için bu model tercih edilmekte, resmin daha net ve anlamlı şeklinin elde edilmesi için kullanılmaktadır. Bu motivasyondan yola çıkılarak, ürünlerin oylarını içeren vektöre, her bir ürüne ait tür bilgisi de eklenerek iki boyutlu bir giriş matrisi elde edilmiş ve bu matrisi giriş olarak kullanan yeni bir Derin Otomatik Kodlayıcı Tabanlı Tavsiye Sistemi (DAERec - Deep AutoEncoder based Recommender System) modeli sunulmuştur. Bilgimiz dahilinde iki boyutlu giriş alan derin otomatik kodlayıcı tabanlı bir tavsiye sistemi literatürde bulunmamaktadır. Sunulan model MovieLens100K ve MovieLens1M veri kümeleri üzerinde test edilmiştir. DAERec yöntemi her iki veri setinde de kesinlik, geri çağırma ve F1 skoru değerlendirme kriterleri için 0,5'in üzerinde sonuçlar elde etmiştir. Movielens100k veri kümesi üzerinde en iyi ortalama mutlak hata değeri 0,635, Movielens1m üzerinde 0,656'dır. Literatürde bulunan on bir farklı yöntemle karşılaştırılan önerilen DAERec yöntemi, diğer yöntemlerin sonuçlarına kıyasla önemli bir fark ile en isabetli tavsiyeleri üretmiştir.
Özet (Çeviri)
Recommendation systems are structures created to facilitate user decision making. In this structure, a suitable product recommendation is offered to the current user by using information such as the user's past activities, similar users or similar items. With the increase in the use of the Internet and e-commerce sites, recommendation systems have become a popular field of study. Recently, the use of Autoencoders, another popular field of study, of deep learning methods, has become widespread for the development of recommender systems. The amount of data that continues to grow today needs processing. Autoencoders meet this need by modeling hidden features from the input data. The symmetrical network structure of Autoencoders, which makes it possible to solve difficult and complex problems, is used for vote estimation. The input of these architectures used in recommendation systems is in the form of a one-dimensional vector containing the votes cast for the product. However, in the field of computer vision there are successful Deep Auto-Encoder architectures that process two-dimensional picture information. This model is preferred especially for noisy/incomplete pictures, and it is used to obtain a clearer and more meaningful form of the picture. Based on this motivation, a two-dimensional input matrix was obtained by adding the type information of each product to the vector containing the votes of the products, and a new Deep AutoEncoder Based Recommender System (DAERec) model was presented using this matrix as an input. . To the best of our knowledge, a deep automatic encoder based recommendation system that takes two-dimensional input is not available in the literature. The presented model has been tested on the MovieLens100K and MovieLens1M datasets. The DAERec method achieved results above 0.5 for precision, recall and F1 score evaluation criteria in both datasets. The best average absolute error value on the Movielens100k dataset is 0.635, on the Movielens1m it is 0.656. The proposed DAERec method, which was compared with eleven different methods in the literature, produced the most accurate recommendations with a significant difference compared to the results of other methods.
Benzer Tezler
- Derin öğrenme yaklaşımları ile çoklu-kriterli öneri sistemlerinin problemlerini çözmek
Deep learning-based approaches to handle challenges of multi-criteria recommender systems
ZEYNEP BATMAZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CİHAN KALELİ
- Collaborative filtering recommendation system: Comparison study
İşbirliğine dayalı filtreleme tavsiye sistemi: Karşılaştırma çalışması
INAS AMJED MOHAMMED AL-MANI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN UÇAN
- İşbirlikçi tabanlı tavsiye sistemlerinde yeni bir matris ayrışım tekniği
A novel matrix decomposition technique in collaborative based re-commender systems
SELÇUK GÜNDÜZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe Üniversitesiİnternet ve Bilişim Teknolojileri Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET HAŞİM YURTTAKAL
DR. ÖĞR. ÜYESİ FAHRETTİN HORASAN
- Anlamsal sosyal ağa dayalı e-öğrenme içeriklerinin değerlendirilmesi ve kalite değerlerinin ölçülmesi
Evaluation of e-learning contents based on semantic social network and measurement of their quality values
MEHMET ALİ BİLİCİ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. VECDİ AYTAÇ
- Recommendation system by link prediction approach on transactional data
İşlem verilerinde bağlantı tahmini yaklaşımı ile öneri sistemi
EMİR ALAATTİN YILMAZ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. SELİM SAFFET BALCISOY