Enhancing graph neural network based sequential recommender model with knowledge graph embeddings
Bilgi çizge gömüleriyle çizge sinir ağı tabanlı sıralı öneri modelinin geliştirilmesi
- Tez No: 930133
- Danışmanlar: DR. ÖĞR. ÜYESİ SUSAN MICHELE ÜSKÜDARLI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 100
Özet
Çevrimiçi etkileşimlerin ve kullanıcı tarafından üretilen verilerin artışı, öneri sistemleri için yeni zorluklar ve fırsatlar sunmuştur. Geleneksel öneri yaklaşımları, statik kullanıcı-öğe özelliklerine dayanır ve zamansal dinamikleri hesaba katamaz, bu da değişen tercihlere uyum sağlama yeteneklerini sınırlar. Sıralı öneri modelleri, eylem dizilerinden öğrenerek bir sonraki öğeyi tahmin etme sorununu ele alır; ancak, büyük, çeşitli ve güncel verilerin eksikliği performanslarını sınırlar. Bu tez, açık kaynaklı bilgiyi bilgi çizgeleri aracılığıyla, bilgi çizge gömülerini kullanarak çizge sinir ağı tabanlı sıralı öneri modellerine entegre etmeyi araştırmaktadır. Bu entegrasyon, kullanıcı-öğe etkileşimlerinde hem anlamsal hem de sıralı desenlerin daha iyi yakalanmasını sağlamaktadır. Wikiveri gibi açık bağlantılı veri kaynaklarından elde edilen gömülerden yararlanarak, öğe özellikleri zenginleştirilmekte, özellik seti genişletilmekte ve kullanıcı tercihlerini daha kapsamlı bir şekilde anlamak mümkün olmaktadır. Movielens veri seti temel referans olarak kullanılarak, dört çeviri tabanlı bilgi çizge gömü modeli sıralı öneri modeline ayrı ayrı entegre edilmiş ve öneri doğruluğuna etkileri değerlendirilmiştir. Hit@K ve NDCG@K metrikleriyle yapılan çevrimdışı değerlendirmeler, bu yaklaşımın hem anlamsal bağlamı hem de sıralı davranışları etkili bir şekilde yakalayarak önerilerin alaka düzeyini ve kişiselleştirmesini geliştirdiğini ortaya koymuştur. Bulgular, açık kaynaklı bilgi tabanlarının öneri sistemlerine dahil edilmesinin değerini vurgulamakta ve bu tür zenginleştirilmiş veri kaynaklarının daha doğru ve anlamlı öneriler sunduğunu göstermektedir. Bu çalışma, dışsal bilgiyle güçlendirilmiş kullanıcı ve öğe temsillerinin öneri modellerini nasıl iyileştirdiğini göstermektedir.
Özet (Çeviri)
The growth of online interactions and user-generated data has presented new challenges and opportunities for personalized recommendation systems. Traditional recommendation approaches rely on static user-item attributes and fail to account for temporal dynamics, limiting their ability to adapt to evolving preferences. Sequential recommendation models address the challenge of next-item prediction by learning from action sequences; however, their performance is limited by the lack of large, diverse, and up-to-date data. This thesis explores the integration of open-source knowledge through knowledge graphs, in the form of knowledge graph embeddings (KGEs), into graph neural network-based sequential recommendation model to enhance both semantic and sequential patterns captured within user-item interactions. By leveraging embeddings from open-linked data sources such as Wikidata, we enrich item attributes, broadening the feature set and providing a more comprehensive understanding of user preferences. Using the Movielens dataset as a foundational benchmark, four translation-based KGE models are individually incorporated within a sequential model to evaluate their impact on recommendation accuracy. Offline evaluations with Hit@K and NDCG@K metrics reveal that this approach improves the relevance and personalization of recommendations by effectively capturing both semantic context and sequential behaviors. The findings underscore the value of incorporating open-source knowledge bases into recommendation systems, demonstrating that such enriched data sources yield more accurate and meaningful recommendations.This study demonstrates how external knowledge-enhanced user and item representations improve recommendation models.
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
- Graph-based hierarchical tracklet merge for multiple object tracking
Çoklu hedef takibi için çizge tabanlı hiyerarşik iz birleştirme
HALİL ÇAĞRI BİLGİ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH AYDIN ALATAN
- Fraud detection in blockchain cryptocurrencies
Blokzincir kripto paralarda dolandırıcılık tespiti
OSMAN KUMAŞ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALPER CAMCI
DOÇ. AKHAN AKBULUT
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Çok yüksek çözünürlüklü uydu görüntülerinden grafik tabanlı bilgi çıkarımı
Graph-based infortmation extraction from very high resolution satellite images
NURETTİN SİNANOĞLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUydu Haberleşmesi ve Uzaktan Algılama Ana Bilim Dalı
PROF. DR. ELİF SERTEL