Geri Dön

A graph neural network model with adaptive weights for session-based recommendation systems

Oturum tabanlı öneri sistemleri için uyarlanabilir ağırlıklara sahip bir çizge sinir ağı modeli

PDF İndir

  1. Tez No: 887240
  2. Yazar: BEGÜM ÖZBAY
  3. Danışmanlar: PROF. DR. ŞULE ÖĞÜDÜCÜ, DR. RESUL TUGAY
  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: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 75

Özet

Yapay zeka ve makine öğrenimi modellerinin geliştirilmesi, çeşitli sektörlerde devrim yaratmış ve tahmin modellerinin yaygın olarak benimsenmesine yol açmıştır. Özellikle öneri sistemlerinin uygulanmasıyla e-ticaret platformları bu ilerlemelerden büyük ölçüde faydalanmıştır. Bu sistemler, kullanıcı deneyimini geliştirmek ve satışları artırmak için alışveriş sürecini kişiselleştirerek kritik bir rol oynamaktadır. Kullanıcıların ilgi ve tercihleri doğrultusunda ürünler önererek, öneri sistemleri yalnızca müşteri memnuniyetini artırmakla kalmaz, aynı zamanda kullanıcıların platforma bağlılığını güçlendirmektedir. Öneri sistemleri çeşitli türlere ayrılmaktadır. İçerik tabanlı öneri sistemleri, kullanıcının daha önce beğendiği veya etkileşimde bulunduğu öğelerin özelliklerine dayanarak yeni öneriler sunar. İşbirlikçi filtreleme sistemleri ise, kullanıcıların geçmiş davranışlarına ve benzer kullanıcıların tercihlerine dayanarak önerilerde bulunur. Hibrit sistemler, hem içerik tabanlı hem de işbirlikçi filtreleme yöntemlerini birleştirerek daha doğru ve kişiselleştirilmiş öneriler sunmayı amaçlar. Bunların yanı sıra, ihtiyaca veya alana bağlı olarak daha özel öneri sistemleri de bulunmaktadır. Bu öneri sistemi türleri arasında, oturum tabanlı öneri sistemleri, kullanıcıların alışveriş davranışlarını değerlendirerek zamanında önerilerde bulunma yetenekleri ile öne çıkmıştır. Geleneksel öneri sistemlerinin uzun vadeli kullanıcı geçmişine dayanmasına karşın, oturum tabanlı sistemler, kullanıcıların mevcut oturumları sırasındaki eylemlerini analiz ederek gerçek zamanlı öneriler sunmaya odaklanır. Kullanıcıların anlık tercihlerini dikkate alarak ve algoritmaları dinamik olarak güncelleyerek, bu sistemler öneri kalitesini önemli ölçüde artırır. Örneğin, bir kullanıcı belirli bir kategoriyi inceler veya sepetine bir ürün eklerse, oturum tabanlı öneri sistemleri bu aktiviteye dayalı olarak ilgili ürünleri önerebilir. Bu gerçek zamanlı uyarlanabilirlik, kullanıcı deneyimini daha da kişiselleştirir ve kullanıcıların platformda daha fazla zaman geçirmesini teşvik ederek, kısa vadeli alışveriş geçmişlerine rağmen başarılı önerilerin olasılığını artırır. Bu çalışmada, oturum tabanlı öneri sistemlerinde kullanılabilecek yenilikçi bir yaklaşım sunuyoruz. Amacımız, çizge sinir ağı vektörlerine uyarlanabilir bir ağırlıklandırma mekanizması uygulayarak öneri modellerinin tahmin doğruluğunu artırmaktır. Bu doğrultuda, mevcut bir oturum tabanlı öneri modeli olan SR-GNN (Session-based Recommendation with Graph Neural Networks) modeli üzerinde ağırlıklandırma mekanizması uygulanmıştır. Bu mekanizma, çalışma sırasında elde edilen çeşitli yan bilgi türlerini içerecek şekilde tasarlanmıştır. Geleneksel SR-GNN modeli, oturum tabanlı önerilerde kullanıcıların son etkileşimlerine odaklanarak, bu etkileşimlerin diğer öğelerle olan ilişkilerini değerlendirir. Ancak, bu modelin etkinliğini artırmak için her öğenin önem derecesinin dinamik olarak belirlenmesi gerekmektedir. Burada devreye giren uyarlanabilir ağırlıklandırma mekanizması, oturum sırasındaki her etkileşimi ayrı ayrı değerlendirerek, bu etkileşimlerin model üzerindeki etkisini optimize eder. Ağırlıklandırma mekanizması, oturum sırasındaki her öğeye farklı önem dereceleri atar. Bu önem dereceleri, kullanıcıların anlık tercihleri ve etkileşimlerine dayalı olarak dinamik bir şekilde ayarlanır. Ağırlıklandırma mekanizmasının uygulanması, oturum sürecinde gerçekleşen her etkileşimin önemini dikkate alarak, kullanıcı davranışlarının daha derinlemesine analiz edilmesini sağlar. Kullanıcıların oturum sırasında yaptıkları her işlem, bir sonraki öneri için önemli bir bağlamsal bilgi kaynağı oluşturur. Bu bağlamsal bilgiler, öneri modellerinin doğruluğunu artırmak için kullanılır. Bu mekanizma, kullanıcının son işlemine odaklanarak, benzer işlemler arasındaki ilişkileri değerlendirir ve bu ilişkiler üzerinden ağırlıklandırma yaparak öneri sistemini güçlendirir. Dressipi veri kümesi üzerinde yaptığımız deneysel değerlendirmeler, kullanıcı deneyimini geliştirmede geleneksel modellere kıyasla önerilen yaklaşımın etkinliğini göstermekte ve gerçek dünya uygulamalarında öneri sonuçlarını optimize etme potansiyelini vurgulamaktadır. Özellikle, oturum tabanlı öneri sistemlerinde doğru ve ilgili öneriler sağlama yeteneği, kullanıcı memnuniyetini artırmanın ve e-ticaret platformlarında satışları artırmanın anahtarıdır. Deneysel sonuçlar, uyarlanabilir ağırlıklandırma stratejisinin SR-GNN modeline kıyasla önemli ölçüde daha iyi performans gösterdiğini ortaya koymuştur. Ayrıca, bu stratejinin, özellikle soğuk başlangıç problemiyle başa çıkmada etkili olduğu ve yeni kullanıcılar ile yeni eklenen ürünler için daha doğru öneriler sunduğu görülmüştür. Gelecekteki araştırmalar, oturum tabanlı öneri sistemlerinin daha büyük veri kümelerine ve daha karmaşık öneri senaryolarına ölçeklenebilirliğini araştırmayı amaçlamaktadır. Veri hacmi artmaya devam ettikçe, bu yoğunluğu verimli bir şekilde yönetebilen modeller geliştirmek giderek daha önemli hale gelecektir. Bu modellerin ölçeklenebilirliğini ve dayanıklılığını artırmak, çeşitli e-ticaret ortamlarında geniş çapta benimsenmeleri ve etkinlikleri için kritik olacaktır. Ayrıca, yapay zeka tekniklerindeki sürekli ilerlemeler, öneri algoritmalarında daha fazla iyileştirmeye yol açacak ve onları kullanıcıların ihtiyaçlarına daha hassas ve duyarlı hale getirecektir. Öneri sistemlerinin daha geniş veri kümeleri ve karmaşık senaryolara uyarlanması, onların gerçek dünya uygulamalarında daha etkili olmasını sağlar. Özellikle büyük veri kümeleri üzerinde çalışabilme yeteneği, e-ticaret platformlarının artan veri hacimleriyle başa çıkabilmesi açısından önemlidir. Ayrıca, oturum tabanlı öneri sistemlerinin farklı kullanıcı gruplarına ve değişen kullanıcı ihtiyaçlarına hızlı bir şekilde uyum sağlayabilmesi, kullanıcı deneyimini iyileştirmek için kritik bir faktördür. Oturum tabanlı öneri sistemlerinin adaptasyon yeteneği, kullanıcıların gerçek zamanlı etkileşimlerine yanıt verme kapasitesiyle birleştiğinde, bu sistemlerin etkinliğini artırır. Kullanıcıların oturumlarındaki her bir etkileşim, öneri modelinin doğruluğunu ve duyarlılığını artırmak için önemli bir veri noktası sağlar. Uyarlanabilir ağırlıklandırma mekanizması, kullanıcıların alışveriş davranışlarındaki değişikliklere hızlı bir şekilde yanıt verebilir, böylece öneri sisteminin kullanıcı memnuniyetini ve etkileşimini artırma potansiyelini maksimize eder. Bu, kullanıcıların platformda daha fazla zaman geçirmelerini ve sonuç olarak daha fazla satın alma gerçekleştirmelerini sağlar. Sonuç olarak, oturum tabanlı öneri sistemleri, e-ticaret alanında önemli bir ilerlemeyi temsil etmekte ve ürün önerilerine sofistike ve uyarlanabilir bir yaklaşım sunmaktadır. Yapay zeka ve makine öğrenimi gücünden yararlanarak, bu sistemler kullanıcı davranışlarını gerçek zamanlı olarak analiz edebilir ve genel alışveriş deneyimini geliştiren kişiselleştirilmiş öneriler sunabilir. Araştırmalar ilerledikçe, bu sistemlerde daha fazla iyileştirme potansiyeli geniştir ve hem kullanıcılar hem de e-ticaret platformları için daha büyük faydalar vaat etmektedir. Oturum bağlamının ve gelişmiş algoritmaların entegrasyonu, öneri sistemlerinin geleceğini şekillendirmede, kullanıcı etkileşimini artırmada ve rekabetçi e-ticaret dünyasında satışları artırmada önemli bir rol oynayacaktır.

Özet (Çeviri)

The development of artificial intelligence (AI) and machine learning (ML) models has revolutionized various industries, leading to the widespread adoption of predictive models. E-commerce platforms, in particular, have greatly benefited from these advancements, especially through the implementation of recommendation systems. These systems play a crucial role in enhancing user experience and increasing sales by personalizing the shopping journey. By suggesting products tailored to individual user's interests and preferences, recommendation systems not only improve customer satisfaction but also strengthen user loyalty to the platform. Recommendation systems can be categorized into several types. Content-based recommendation systems offer new suggestions based on the characteristics of items that a user has previously liked or interacted with. Collaborative filtering systems, on the other hand, make recommendations based on users' past behaviors and the preferences of similar users. Hybrid systems combine both content-based and collaborative filtering methods to provide more accurate and personalized recommendations. Additionally, there are more specialized recommendation systems tailored to specific needs or domains. Among these, session-based recommendation systems have emerged as particularly effective due to their ability to evaluate users' shopping behaviors and provide timely suggestions. Unlike traditional recommendation systems that rely on long-term user history, session-based systems focus on analyzing users' actions during their current sessions to offer real-time recommendations. By considering users' immediate preferences and dynamically updating algorithms, these systems significantly enhance the quality of recommendations. For instance, if a user explores a specific category or adds an item to their cart, session-based recommendation systems can suggest relevant products based on this activity. This real-time adaptability further personalizes the user experience and encourages users to spend more time on the platform, thereby increasing the likelihood of successful recommendations even with short-term shopping histories. In this study, we propose an innovative approach for session-based recommendation systems by implementing an adaptive weighting mechanism on graph neural network (GNN) vectors. The goal is to enhance the predictive accuracy of recommendation models by applying this weighting mechanism to an existing session-based recommendation model, SR-GNN (Session-based Recommendation with Graph Neural Networks). This mechanism is designed to include various types of contextual information obtained during the session. The traditional SR-GNN model focuses on users' last interactions during sessions and evaluates the relationships between these interactions and other items. However, to increase the model's effectiveness, it is necessary to dynamically determine the importance of each item. The adaptive weighting mechanism evaluates each interaction individually during the session and optimizes its impact on the model. This mechanism assigns different importance levels to each item during the session. These importance levels are dynamically adjusted based on users' immediate preferences and interactions. By implementing the weighting mechanism, the significance of each interaction during the session is taken into account, allowing for a more in-depth analysis of user behaviors. Each action performed by users during the session becomes a crucial source of contextual information for the next recommendation. These contextual details are used to increase the accuracy of recommendation models. By focusing on users' last actions and evaluating the relationships between similar actions, the weighting mechanism strengthens the recommendation system. Experimental evaluations on the Dressipi dataset have demonstrated the effectiveness of the proposed approach in enhancing user experience compared to traditional models. The ability to provide accurate and relevant recommendations in real time is key to improving user satisfaction and increasing sales on e-commerce platforms. The experimental results indicate that the adaptive weighting strategy significantly outperforms the SR-GNN model. Moreover, this strategy is particularly effective in addressing the cold start problem, providing more accurate recommendations for new users and newly added products. Future research aims to explore the scalability of session-based recommendation systems to larger datasets and more complex recommendation scenarios. As the volume of data continues to grow, developing models that can efficiently manage this influx while maintaining high performance becomes increasingly important. Enhancing the scalability and robustness of these models will be critical for their widespread adoption and effectiveness in diverse e-commerce environments. Additionally, ongoing advancements in AI and ML techniques are expected to lead to further improvements in recommendation algorithms, making them even more precise and responsive to users' needs. In conclusion, session-based recommendation systems represent a significant advancement in the field of e-commerce, offering a sophisticated and adaptive approach to product recommendations. By leveraging the power of AI and ML, these systems can analyze user behavior in real-time and provide personalized suggestions that enhance the overall shopping experience. As research continues to advance, the potential for further improvements in these systems is vast, promising even greater benefits for both users and e-commerce platforms. The integration of session context and advanced algorithms will undoubtedly play a pivotal role in shaping the future of recommendation systems, driving user engagement, and increasing sales in the competitive world of e-commerce.

Benzer Tezler

  1. Tez No

    897630

    Graph neural networks on predicting aerodynamic flow fields around airfoils

    Kanat kesitleri çevresindeki aerodinamik akış alanları tahmininde grafik sinir ağları

    SÜLEYMAN ONAT ÇELTİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HANDE ALEMDAR

    DOÇ. DR. ÖZGÜR UĞRAŞ BARAN

  2. Tez No

    75101

    Grup teknolojisi imalat sistemleri tasarımı için bir metodoloji ve bu metodolojinin endüstride uygulanması

    Başlık çevirisi yok

    NEVİN AYDIN

    Doktora

    Türkçe

    Türkçe

    1998

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. M. BÜLENT DURMUŞOĞLU

  3. Tez No

    676636

    Automated curriculum design for reinforcement learning with graph theory and evaluation heuristics

    Çizge kuramı ve değerlendirme bazlı sezgisel yöntemler ile pekiştirmeli öğrenme için otomatik müfredat tasarımı

    ANIL ÖZTÜRK

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NAZIM KEMAL ÜRE

  4. Tez No

    353688

    Borsa istanbul (BIST) hisse fiyat değişim yönünün ilişkisel borsa ağı kullanılarak tahmin edilmesi

    Forecasting stock price change direction using relational stock market network on borsa Istanbul (BIST)

    BİRCAN ERGÜR

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ZEHRA ÇATALTEPE

  5. Tez No

    723965

    Basamak patlatmasında tasarım parametrelerinin patlatma verimliliği ve çevresel etki açısından değerlendirilmesi

    Evaluation of design parameters in bench blasting in terms of blast efficiency and environmental effect

    ÖZGE AKYILDIZ

    Doktora

    Türkçe

    Türkçe

    2022

    Maden Mühendisliği ve Madencilikİstanbul Teknik Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TÜRKER HÜDAVERDİ

Geri Dön