Geri Dön

Derin öğrenme yöntemleri ile e-ticaret alış veriş öneri sistemi uygulaması

E-commerce shopping recommendation system application with deep learning methods

PDF İndir

  1. Tez No: 917371
  2. Yazar: SALİM GÖVERCİN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ARİF YELĞİ
  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: Türkçe
  9. Üniversite: İSTANBUL TOPKAPI ÜNİVERSİTESİ
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapay Zeka Bilim Dalı
  13. Sayfa Sayısı: 78

Özet

Öneri Sistemleri, kitap, müzik, görsel-video gibi araçlarla yüz tanıma sistemlerinde, elektronik ticaret, film ve mobil uygulama alanlarında kullanılmaktadır. Tüm platformlarda, klasik öneri sistemi algoritmalarının yanı sıra derin öğrenme algoritmaları gibi çok farklı algoritmalar kullanarak kullanıcının talebine uygun içerikleri önermeyi amaçlamaktadır. Klasik algoritmaların genellikle veri seyrekliği durumlarında özellikle büyük veri tabanlarında anlamlı bir bağlantı kurması zordur. Son yıllarda derin öğrenme algoritmaları yapay zekâ alanlarında çok büyük gelişmeler kaydetmektedir e-ticaret platformlarında, görüntü işleme, doğal dil işleme, oyun simülasyon, otonom araçlar, sağlık alanlarındaki gelişmeler, derin öğrenmenin sanayi ve endüstride gelecekteki gelişimleri yönlendirecek bir düzeyde gelişecek bir alan olmaya doğru ilerlemektedir. Derin öğrenme büyük, seyrek ve karmaşık veri tabanlarının olduğu alanlarda, veri yapısı içindeki özellikleri çıkarmanın zor olduğu durumlarda daha yüksek hesaplama gücüne sahip olduğu için farklı sinir ağları ve veri karmaşık yapısını kullanarak daha iyi sonuçlar vermektedir. Derin öğrenme direk girdilerden modeller oluşturabilmekte, kendi kendine öğrenme sağlayabilecek modeller geliştirerek uçtan uca öğrenmeler sağlayabilmektedir. Derin öğrenme bu çalışmada Yapay Zeka Öneri sistemi algoritmaları ile yapılan güncel çalışmalar incelenmiş klasik algoritmalardan K en yakın komşu (KNN), Derin Çapraz Ağ (DÇA), Derin Öğrenme Algoritmalarından Tekil Değer Ayrıştırma (TDA) ve Glocak-k Algoritmalarının çalışma prensipleri ve matematiksel olarak çalışma prensipleri açıklamayla beraber bu algoritmaların tek tek kullanımlarında karşılaşılan zorluklar ve birbirlerine göre üstün yanları geliştirilen uygulamalar ile çeşitli metriklerle incelenmiştir. Yapılan çalışmada KNN ve DÇA algoritmalarının hibrit olarak çalıştırılması sonucunda elde edilen verilerden bahsedilmiş olup gelecekte bu algoritmalar ile geliştirilecek uygulamalar için yapılacak araştırma çalışmalarına tavsiyelerde bulunularak derin öğrenme algoritmalarının performanslarının geliştirilebilir yönleri değerlendirilmiştir. Bu çalışmada, derin öğrenme yöntemlerini kullanan bir öneri sisteminin uygulamasını sunuyoruz. MovieLens 100K, ml-1m, ml-10m veri kümesini ve Amazon Elektronik veri kümeleri kullanılarak, öneri doğruluğunu değerlendirmek ve geliştirmek için çeşitli algoritmalar kullanılmıştır. Özellikle, K-En Yakın Komşular (KNN), Tekil Değer Ayrıştırma (TDA), Derin ve Çapraz Ağ (DÇN) ve Glocal-K'nin performansını Normalleştirilmiş İndirgenmiş Kümülatif Kazanç (NİKK), Hassasiyet, Geri Çağırma, F1-skoru, İsabet oranı, MSE, RMSE ve benzeri dahil olmak üzere kapsamlı bir dizi ölçüt kullanarak bu çalışmada karşılaştırılmıştır. Bu çalışmada, derin öğrenme tabanlı DCN ve GLocal-K kullanarak SVD ve KNN'nin performansını iyileştirmeyi, derin öğrenme modellerinin geleneksel yöntemlerin sınırlamalarının üstesinden gelme ve üstün öneri kalitesi sağlama potansiyelini vurgulamayı amaçlanmıştır. Klasik algoritmalar ile derin öğrenme algoritmalarının (KNN ve DCN) hibrit olarak çalıştırılma durumları incelenerek geliştirilen uygulamaların öneri sistemi performansını iyileştirmeyi amaçlanmıştır. Geliştirilen öneri sistemi ile kullandığımız algoritmaların üstün yönlerini kullanarak e-ticaret öneri sistemin etkinliğini arttırmayı vurgulamaktadır.

Özet (Çeviri)

Recommendation Systems are used in tools such as books, music, visual-video, facial recognition systems, e-commerce, movies and mobile applications. In all platforms, it aims to recommend content that is suitable for the user's demand by using very different algorithms such as deep learning algorithms in addition to classical recommendation system algorithms. It is difficult for classical algorithms to establish a meaningful connection, especially in large databases, in cases of data sparsity. In recent years, deep learning algorithms have made great progress in the fields of artificial intelligence. In e-commerce platforms, image processing, natural language processing, game simulation, autonomous vehicles, developments in the fields of health, deep learning is moving towards becoming a field that will develop at a level that will guide future developments in industry and industry. Deep learning provides better results by using different neural networks and complex data structures in areas with large, sparse and complex databases, since it has higher computational power in cases where it is difficult to extract features within the data structure. Deep learning can create models directly from inputs, develop models that can provide self-learning and provide end-to-end learning. In this study, current studies conducted with Artificial Intelligence Recommendation System algorithms have been examined, and the working principles and mathematical working principles of classical algorithms such as K-nearest neighbor (KNN), Deep Crossover Network (CNN), Singular Value Decomposition (SDE) and Glocak-k algorithms have been explained, and the difficulties encountered in the individual use of these algorithms and their superior aspects compared to each other have been examined with various metrics and developed applications. In the study, the data obtained as a result of running the KNN and CNN algorithms as a hybrid have been mentioned, and recommendations have been made for future research studies to be carried out for applications to be developed with these algorithms, and the aspects of the performance of deep learning algorithms that can be improved have been evaluated.In this study, we present the implementation of a recommendation system using deep learning methods. Various algorithms have been used to evaluate and improve recommendation accuracy using the MovieLens 100K, ml-1m, ml-10m dataset and Amazon Electronics datasets. In particular, the performance of K-Nearest Neighbors (KNN), Singular Value Decomposition (SVD), Deep and Cross Network (DCN) and Glocal-K are compared in this study using a comprehensive set of metrics including Normalized Discounted Cumulative Gain (NDCG), Precision, Recall, F1-score, Hit rate, MSE, RMSE and so on. This study aims to improve the performance of SVD and KNN using deep learning-based DCN and GLocal-K, and to highlight the potential of deep learning models to overcome the limitations of traditional methods and provide superior recommendation quality. It is aimed to improve the recommendation system performance of the developed applications by examining the hybrid execution cases of classical algorithms and deep learning algorithms (KNN and DCN). It emphasizes increasing the effectiveness of the e-commerce recommendation system by using the superior aspects of the algorithms we use with the developed recommendation system.

Benzer Tezler

  1. Tez No

    875049

    Defining the decisive factors influencing purchase decision by using feature importance methods in e-commerce and comparing the methods' performances

    E-ticarette satın alma kararlarını etkileyen faktörlerin özellik önemi metodları ile tespiti ve metodların kıyaslanması

    ERMAN DEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Akıllı Sistemler Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET TEOMAN NASKALİ

  2. Tez No

    674767

    Hybrid reciprocal recommendation with advanced feature representations

    Gelişmiş özellik gösterimleri ile hibrit çift taraflı öneri sistemleri

    EZGİ YILDIRIM

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞULE ÖĞÜDÜCÜ

  3. Tez No

    887349

    Derin öğrenme ile görsel benzerliklerin bulunması ve müşteri sepet analizi ile e-ticaret alışverişleri için ürün önerisi

    Finding visual similarities with deep learning and product recommendation for e-commerce shopping with customer basket analysis

    ESRA PULAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiYıldız Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. SELİN SONER KARA

  4. Tez No

    803918

    Kümeleme yöntemleri ile müşteri kanal göçü analizi

    Customer channel migration analysis with clustering methods

    GİZEM ÇALIŞKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET YASİN ULUKUŞ

  5. Tez No

    676313

    Türkçe ürün yorumları verisi ile duygu analizi

    Sentiment analysis using Turkish product review data

    BUĞRA POLAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BÜLENT TUĞRUL

Geri Dön