Enhancing e-commerce experiences through recommendation system based on machine learning techniques
Makine öğrenimi tekniklerine dayalı öneri sistemi aracılığıyla e-ticaret deneyimlerini geliştirmek
- Tez No: 901980
- Danışmanlar: PROF. DR. HAMZA EROL
- 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: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 79
Özet
Bu tez, e-ticaret için özelleştirilmiş öneri sistemlerinin geliştirilmesine odaklanmakta ve algoritma seçimi, veri ön işleme ve titiz değerlendirme üzerinde durmaktadır. Model tabanlı iş birliğine dayalı filtreleme içinde Özgül Değer Ayrışımı (SVD), kullanıcı-ürün etkileşimlerini karmaşık bir şekilde yakalamadaki etkinliği nedeniyle öne çıkan bir yöntem olarak seçilmiştir.makine öğrenimi yöntemlerini kullanarak kullanıcı ve ürün etkileşimlerini daha etkili bir şekilde tahmin etmeyi amaçlamaktadır. Model tabanlı iş birliğine dayalı filtreleme kapsamında, Özgül Değer Ayrışımı (SVD) gibi matris faktörizasyon yöntemleri, kullanıcı-ürün etkile Çalışmada bu metodolojiler, Amazon derecelendirmeleri ve çevrimiçi alışveriş etkinlik geçmişi veri setleri olmak üzere iki farklı veri setine uygulanmıştır. Bu araştırmada ele alınan önemli bir zorluk, öneri sistemlerinde kullanıcı-ürün etkileşim verilerinin seyrek olmasından kaynaklanan matris seyrekliğidir. Bu zorluğu hafifletmek için, minimum kullanıcı ve ürün derecelendirmeleri için dikkatli eşik seçimi kullanılarak öneri kapsamı ile doğruluk arasında bir denge sağlanmıştır. Az sayıda etkileşime sahip kullanıcılar ve az sayıda derecelendirmeye sahip ürünler filtrelenerek, matris seyrekliği etkili bir şekilde azaltılmıştır. Bu ön işleme adımı, daha yoğun bir kullanıcı-ürün etkileşim matrisi ile sonuçlanarak, SVD tabanlı önerilerin güvenilirliğini artırmıştır. RMSE ve MAE gibi değerlendirme metrikleri, titiz çapraz doğrulama yoluyla doğrulanmış ve SVD yaklaşımının her iki veri setinde de güçlü performans sergilediğini teyit etmiştir. Gelecekteki araştırma yönleri arasında yenilikçi algoritmaların keşfi, ek veri kaynaklarının entegrasyonu ve soğuk başlangıç problemleri ve gerçek zamanlı adaptasyon gibi dinamik zorlukların ele alınması bulunmaktadır. Bu çabalar, öneri sistemlerinin etkinliğini daha da artırmayı ve çeşitli e-ticaret ortamlarında kişiselleştirilmiş ve etkili kullanıcı deneyimleri sunmayı amaçlamaktadır.
Özet (Çeviri)
This thesis focuses on developing recommendation systems tailored for e-commerce, emphasizing algorithm selection, data preprocessing, and rigorous evaluation. Singular Value Decomposition (SVD) emerged as a prominent method within model-based collaborative filtering, chosen for its effectiveness in capturing complex user-item interactions. It aims to more effectively predict user and product interactions using machine learning methods. In the study, these methodologies were applied to two different data sets: Amazon ratings and online shopping activity history data sets.A key challenge addressed in this research is matrix sparseness, which results from the sparseness of user-product interaction data in recommendation systems. To alleviate this challenge, a balance between recommendation coverage and accuracy has been achieved by using careful threshold selection for minimum user and product ratings. By filtering out users with few interactions and products with few ratings, matrix sparsity is effectively reduced. This preprocessing step resulted in a denser user-product interaction matrix, increasing the reliability of SVD-based recommendations. Evaluation metrics such as RMSE and MAE have been validated through rigorous cross-validation, confirming that the SVD approach exhibits strong performance on both datasets. Future research directions include the discovery of innovative algorithms, integration of additional data sources, and addressing dynamic challenges such as cold start problems and real-time adaptation. These efforts aim to further increase the effectiveness of recommendation systems and deliver personalized and effective user experiences across a variety of e-commerce environments.
Benzer Tezler
- 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
BEGÜM ÖZBAY
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
DR. RESUL TUGAY
- Enriching ıtem feature representations in session-based recommendation with global ıtem graphs
Oturum tabanlı öneri sistemlerinde evrensel varlık çizgesi ile varlık özellik vektörlerinin zenginleştirilmesi
YUNUS KARATEPE
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Developing an e-commerce recommendation system using deep learning and optimization algorithms
Derin öğrenme ve optimizasyon algoritmaları kullanılarak e-ticaret öneri sistemi geliştirilmesi
RAND JAWAD KADHIM ALMAHMOOD
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADEM TEKEREK
DR. MUHAMMED MUTLU YAPICI
- A two-tower retrieval approach for personalized product recommendations in cosmetic e-commerce
Kozmetik e-ticaretinde kişiselleştirilmiş ürün önerileri için iki kuleli (two-tower) bir getirme yaklaşımı
SUAT TUNCER
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMEF ÜNİVERSİTESİBilişim Teknolojileri Ana Bilim Dalı
DOÇ. DR. TUNA ÇAKAR
- Türkiye'deki e-ticaret sektöründe, müşteri deneyiminin müşteri memnuniyeti üzerindeki etkisi
The impact of customer experience on customer satisfaction in the e-commerce sector in Turkey
ŞEVVAL KARABACAK
