Developing a personalized recommender system in an E-commerce firm
Bir E-ticaret firmasında kişiselleştirilmiş öneri sistemi geliştirilmesi
- Tez No: 746789
- Danışmanlar: DOÇ. DR. GÜLDER KEMALBAY
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 45
Özet
Günümüzde hemen hemen her orta/büyük ölçekli e-ticaret şirketinin, kullanıcılarla etkileşimi artırmak için web sitelerinde kişiselleştirilmiş deneyim oluşturması çok önemlidir. Kişiselleştirilmiş deneyim farklı yollarla artırılabilir. Tavsiye sistemleri, çok az ve etkili uygulamaları nedeniyle yaygın olarak kullanılmaktadır. Kullanıcıların geçmiş verileriyle ilişkili olabilecek ürünleri önermek için kullanıcıların geçmiş veya davranışsal verilerini kullanır. Bu tavsiyeler, kullanıcıların olduğu kadar şirketlerin de sepetteki ürün çeşitliliğini artırmalarına ve hedefledikleri büyümeye ulaşmalarına yardımcı olur. Bu nedenle bu tezin uygulama kısmı, bir e-ticaret firması için ürün tavsiye sistemi geliştirmeyi amaçlamaktadır. Öneri sistemleri, Bellek tabanlı veya Model tabanlı olarak geliştirilebilir. Bellek tabanlı yaklaşımlar küçük veri setleriyle daha iyi çalışır ve iyi sonuçlar verirken, Model tabanlı yaklaşımlar büyük ve seyrek verilerle daha iyi çalışır ve web siteleri gibi canlı ortamlarda daha iyi performans gösterir. Bu tezde kullanılan veriler büyük veri olduğundan ve geliştirilen model web sitesinde canlı ortamda çalışacak şekilde kullanılacağından dolayı gelecekte bu iki durumu da çözen bir yaklaşım kullanmalıyız. Bu nedenle, model tabanlı işbirlikçi filtreleme yaklaşımı, Tekil Değer Ayrışımı ve Değişen En Küçük Kareler matris ayrıştırma yöntemleri denenmiş ve en iyi modeli seçmek için sonuçlar karşılaştırılmıştır. Ayrıca elimizdeki veri bir satın alma verisi olduğu ve herhangi bir model uygulanmaya hazır olmadığı için, öncesinde işlemsel verileri açık verilere çevirecek yaklaşım uygulanmıştır. Son olarak, RMSE değeri 0.79 ve MAE değeri 0.51 olan Değişen En Küçük Kareler matris çarpanlarına ayırma yöntemi, ana öneri motoruna entegre edilecek en iyi model olarak seçilmiştir. Tüm sonuçlara ve kullanıcılara önerilen ürün kategorilerindeki çıktılara dayanarak, Değişen En Küçük Kareler yöntemi ile çalışan matris çarpanlara ayırma modelinin kullanılmasına karar verilmiştir.
Özet (Çeviri)
Nowadays it is so important for almost every medium/big sized e-commerce companies to create personalized experience on their websites to increase the interaction with users. Personalized experience can be increased by different ways. However, recommender systems are commonly utilized because of their very handful and effective implementation. It uses users' transactional or behavioral data to suggest the products that are likely related to users' historical data. These recommendations not only help users but also aid companies to increase product variety in the basket and make them reach the growth that they aim. For this reason, the application part of this thesis aims to develop a product recommender system for an e-commerce company. Recommender systems can be developed either memory based, or model based. While memory-based approaches mostly work better and give good results with small data, model based approaches work better with big and sparse data and perform well in production. Since handling big sparse data in production is difficult to establish, we must use an approach which overcomes this problem. Therefore, model based collaborative filtering approach, Singular Value Decomposition and Alternating Least Squares matrix factorization methods have been applied and the results have been compared to pick the best model. In addition, to be able to apply models to our data, we firstly focused on the transition of transactional data to explicit data. In final, Alternating Least Squares matrix factorization method with the RMSE value of 0.79 and MAE value of 0.51 is picked as best model to integrate into the main recommendation engine. Based on additional analysis the product categories have been recommended for users are different than most selling products and have %43 of coverage of users' main categories. In conclusion, we decided to make use of Alternating Least Squares matrix factorization method in production.
Benzer Tezler
- Determining e-commerce product recommendation systems utilizing mcdm methods
Çkkv yöntemlerini kullanarak e-ticaret ürün öneri sistemlerinin belirlenmesi
MİNE YAVUZ ŞAFAK
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF İLKER TOPCU
- Adaptive data mining and analytic methods forcontent personalisation in digital marketing
Başlık çevirisi yok
RAMAZAN ESMELİ
- Giyim metaverilerine dayalı kıyafet öneri sistemi
Outfit recommendation system based on clothing metadata
AHMET DÜNDAR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Ticaret ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ARZU KAKIŞIM
- Tip-2 diyabet hastalığında kişiselleştirilmiş tedavi yöntemini temel alan karar destek sistemi önerisi: Küresel bulanık AHP yöntemi ile risk durumuna göre en iyi ilaç kombinasyonunun oluşturulması
Decision support system based on personalized treatment method in type-2 diabetes: Creating the best drug combination with spherical fuzzy AHP method
ENES HAKAN İBİL
Yüksek Lisans
Türkçe
2021
Endokrinoloji ve Metabolizma Hastalıklarıİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SEZİ ÇEVİK ONAR
- Deniz ulaştırma lojistiğinin dijital dönüşüm sürecine adaptasyonunun teknoloji kabul modeli ile analizi
Analysis of the adaptation of maritime transportation logistics to the digital transformation process through the technology acceptance model
ORÇUN GÜNDOĞAN
Doktora
Türkçe
2024
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA KEÇECİ