Synergraph: A novel approach for multi-modal graph based recommendation systems
Synergraph: Çok modlu çizge tabanlı tavsiye sistemleri için yeni bir yaklaşım
- Tez No: 872555
- Danışmanlar: DOÇ. DR. TEVFİK AYTEKİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: 100
Özet
Bu tez, çeşitli modelleri çizge tabanlı tekniklerle entegre eden ve öneri doğruluğunu artıran yeni bir çerçeve sunarak çoklu ortam tavsiye sistemlerine kapsamlı bir bakış atmaktadır.“Synergraph”adlı yöntemimiz, GNN'leri (Çizge Sinir Ağları) kullanarak metin ve görsel bilgi gibi farklı modellerdeki verileri analiz etmekte ve sentezlemekte, mevcut tavsiye sistemlerinde bulunan geleneksel kısıtlamaların üstesinden gelmektedir. Araştırma, kullanıcı tercihleriyle yakından uyumlu tavsiyeler sağlamak için alakasız verileri etkin bir şekilde filtreleyen bir modelite arıtma süreci tanıtmaktadır. Bu, çeşitli medya türleri için geliştirilen bir gürültü filtreleme mekanizması ve veri entegrasyon sürecini iyileştiren bir arındırıcı çember kaybı uygulayarak başarılmaktadır. Farklı veri kümeleri üzerinde yapılan geniş çaplı testler, tek bir veri türüne bağlı sistemler yerine çoklu modeliteleri entegre eden sistemlerin sürekli olarak daha iyi performans gösterdiğini ortaya koymaktadır. Ayrıca, çalışmamız, öğrenme sürecinde kullanılan veri noktalarının optimizasyonunu sağlayarak aşırı uyum ve yetersiz uyum arasında bir denge kurmayı amaçlayan top-K seyreltme uygulayarak seyrek ve gürültülü verilerle ilgili zorlukları ele almaktadır. Tez, metin verilerinin, doğal bilgi zenginlikleri nedeniyle öğeleri daha derinlemesine anlamada görsel verilere göre daha önemli bir rol oynadığını tartışmaktadır. Açık kaynaklı veri kümeleri için kıyaslama ve özel değerlendirme çerçeveleri eksikliği gibi sınırlamalarla karşılaşılmasına rağmen,“Synergraph”kullanıcı tercihlerini doğru bir şekilde yakalama konusunda umut verici sonuçlar göstermektedir. Kullanılan füzyon tekniği, kullanıcı tercihlerini daha iyi anlamamızı geliştirmenin yanı sıra, tavsiye sistemlerinde gelecekteki ilerlemeler için bir temel oluşturarak daha sofistike, çok modeliteli yaklaşımlara doğru bir geçiş önermektedir.
Özet (Çeviri)
This thesis presents a comprehensive exploration into multimedia recommendation systems, highlighting a novel framework that integrates various modalities through graph-based techniques to enhance recommendation accuracy. Our method, named“Synergraph”leverages Graph Neural Networks (GNNs) to analyze and synthesize data across different modalities such as textual and visual information, overcoming traditional limitations found in existing recommendation systems. The research introduces a modality purification process that effectively filters out irrelevant data, ensuring that the recommendations align closely with user preferences. This is achieved through the development of a noise-filtering mechanism for various media types and the application of a purifier circle loss, which refines the data integration process. Extensive tests on different datasets demonstrate that systems incorporating multiple modalities consistently outperform those dependent on a single data type. Furthermore, our study addresses the challenges of sparse and noisy data by implementing top-K sparsification to optimize the selection of data points used in the learning process, striking a balance between overfitting and underfitting. The thesis also discusses the significant role of textual data over visual data in providing a deeper understanding of items, based on their inherent informational richness. Despite facing limitations such as the lack of open-source datasets for benchmarking and specific evaluation frameworks for recommendation systems,“Synergraph”shows promising results in accurately capturing user preferences. The fusion technique employed not only enhances the understanding of user preferences but also establishes a foundation for future advancements in recommendation systems, suggesting a shift towards more sophisticated, multimodal approaches.