Geri Dön

Analyzing the effects of popularity bias on beyond-accuracy recommendation quality in user-neighborhood-based collaborative filtering algorithms

Kullanici-komşuluk-tabanli işbirlikçi filtreleme algoritmalarinin popülerlik ayrimciliğini analiz etme

  1. Tez No: 797108
  2. Yazar: OSMAN ALPER MISIRLI
  3. Danışmanlar: DOÇ. DR. ALPER BİLGE, DR. ÖĞR. ÜYESİ EMRE YALÇIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 66

Özet

Bu tezde, kullanıcı komşuluğu tabanlı ortak filtreleme algoritmalarında bulunan popülerlik ayrımcılığını incelemeyi amaçlamaktayız. Popülerlik ayrımcılığı, tavsiye sistemlerinin popüler öğeleri daha sık önerirken daha az popüler öğeleri önermemesi sonucu önerilerde çeşitlilik eksikliğini ifade etmektedir. Bu fenomeni inceleme amacı ile, Kosinüs benzerliği, Ortalama karesel fark ve Pearson korelasyon katsayısı gibi üç farklı benzerlik metrikleri kullanarak KNNwithMeans, KNNwithZscore ve KNNBaseline gibi üç farklı algoritmalayı test ediyoruz. Analizimizi Movielens-1M, Yahoo Music ve Douban Books gibi üç farklı veri kümesinde yapıyoruz. Çalışmamızın sonuçları, farklı benzerlik metrikleri ve algoritmaların kullanılmasının tavsiye edilen popülerlik ayrımcılığının seviyesini ciddi şekilde etkileyebileceğini göstermektedir. Ayrıca bulgularımız, popülerlik ayrımcılığını azaltmak için farklı benzerlik metrikleri ve algoritmaların bir kombinasyonunun en iyi yaklaşım olduğunu sunmaktadır. Bu yaklaşım, daha çeşitli bir tavsiye kümesi sağlar ve bu daha kişiselleştirilmiş ve memnuniyet verici bir kullanıcı deneyimi yaratabilir. Çalışmamız, tavsiye sistemlerinde popülerlik ayrımcılığının etkisini ve çeşitli yöntemlerin etkililiğini değerli bilgiler sunmaktadır. Sonuç olarak, bu tez tavsiye sistemlerinde popülerlik ayrımcılığının önemini aydınlatmaktadır ve bunu azaltmak için bir çerçeve sunmaktadır. Bu çalışmanın sonuçları, daha çeşitli ve kişiselleştirilmiş tavsiye sistemleri geliştirmek için kullanılabilir ve bu daha iyi bir kullanıcı deneyimi yaratabilir

Özet (Çeviri)

This thesis aims to study the popularity bias present in user-neighbourhoodbased collaborative filtering algorithms. Popularity bias refers to the tendency of recommendation systems to recommend popular items more frequently than less popular items, resulting in a need for more diversity in recommendations. To examine this phenomenon, we test three algorithms, KNNwithMeans, KNNwithZscore, and KNNBaseline, using three different similarity metrics: Cosine, MSD and Pearson's corelation coefficient. We analyse three distinct datasets: Movielens-1M, Yahoo Music, and Douban Books. The results of our study indicate that the use of different similarity metrics and algorithms can significantly impact the level of popularity bias present in the recommendations. Furthermore, our findings suggest that the best approach to mitigate popularity bias is to use a combination of different similarity metrics and algorithms. This approach allows for a more diverse set of recommendations, which can lead to a more personalised user experience. Our study provides valuable insights into the impact of popularity bias on recommendation systems and the effectiveness of various methods for addressing it. This thesis highlights the importance of addressing popularity bias in recommendation systems. The results of this study can be used to guide the development of more diverse recommendation systems, and personalised, in turn, can lead to a better user experience

Benzer Tezler

  1. Rastgele bozma yaklaşımlarının öneri algoritmalarının popülerlik yanlılığına etkisinin incelenmesi ve sahte oy enjeksiyonuna dayalı yenilikçi çözümler geliştirilmesi

    Analyzing effects of random perturbation approaches on the popularity bias issue of recommendation algorithms and developing novel fake rating injection-based solutions

    MERT GÜLSOY

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALPER BİLGE

    DOÇ. DR. EMRE YALÇIN

  2. Trust in family context: The case of Turkey

    Aile bağlamında güven: Türkiye örneği

    MUHAMMED ALPEREN YAŞAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    EkonomiGalatasaray Üniversitesi

    İktisat Ana Bilim Dalı

    DOÇ. DR. SEZGİN POLAT

  3. Otomatik duygu sözlüğü geliştirilmesi ve haberlerin duygu analizi

    Automated sentiment lexicon generation and sentiment analysis of news

    FATİH SAĞLAM

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FUAT AKAL

    PROF. DR. HAYRİ SEVER

  4. Femtosaniye lazerlerin metallerle etkileşimlerinde dalgakılavuzu davranışlarının incelenmesi

    Investigation of waveguide behaviour in the interaction of femtosecond lasers with metals

    ABDULLAH KAMURAN TÜRKOĞLU

    Doktora

    Türkçe

    Türkçe

    2012

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Fizik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELÇUK AKTÜRK