Explainable recommender systems
Açiklanabilir tavsiye sistemleri
- Tez No: 932971
- Danışmanlar: YRD. DOÇ. AYSUN BOZANTA HAKYEMEZ
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Yönetim Bilişim Sistemleri, Science and Technology, Management Information Systems
- Anahtar Kelimeler: Dil modelleri, Makine öğrenmesi, Tavsiye sistemleri, Yapay zeka, Language models, Machine learning, Recommender systems, Artificial intelligence
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: İşletme Bilişim Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tavsiye sistemleri genellikle derecelendirme verilerini kullanarak başarılı tavsiyeler üretmektedir. Ancak, yalnızca derecelendirme verilerine dayanan tavsiye sistemleri kullanıcıların duygularını ve düşüncelerini ayrıntılı olarak yakalayamaz, bu nedenle bazı durumlarda sınırlı performans gösterebilirler. Bu sınırlamanın üstesinden gelmek için, tavsiye sistemlerinde özellikle kullanıcı yorumları gibi metinsel verilerin kullanılması, bireysel tercihler ve duygular hakkında daha fazla bilgi sağlar. Bu sayede, tavsiyelerin doğruluğu ve kişiselleştirme düzeyi önemli ölçüde artırılabilir. Tavsiye sistemlerinin açıklanabilirliği ise başka bir kritik konudur. Karar alma mekanizmasının ve tavsiyelerin arkasındaki mantığı açıklamak, bu sistemlerin adaletini ve şeffaflığını artırır böylece sisteme olan güven artar ve sistemde mevcut olabilecek önyargıları ortaya çıkarmaya yardımcı olur. Bu çalışma, kullanıcı tarafından üretilen yorumlara dayalı yeni bir tavsiye algoritması sunmaktadır. Dil modelleri, kullanıcı yorumları arasındaki benzerliği belirlemektedir. Açık kullanıcı derecelendirmelerine dayanmak yerine, bu yorumlardan türetilen duygu puanları, kullanıcıların ürünler hakkındaki görüşlerini yansıtmaktadır. Hedef kullanıcı için öneriler, en benzer kullanıcıların duygu puanlarından yararlanılarak oluşturulmaktadır. Benzerlik puanlarını hesaplamak için on farklı dil modeli kullanılmış ve bu modellerin performansları öneri doğruluğuna göre değerlendirilmiştir. Algoritmamız için, en iyi performansı gösteren dil modeli olan Sentence-BERT (SBERT) seçilmiştir. Metin temsil modellerinin dikkat mekanizmaları ve SHAP yöntemi kullanılarak sistem, her önerinin arkasındaki nedenleri açıklamakta ve sonuç olarak açıklanabilir bir tavsiye sistemi sunmaktadır.
Özet (Çeviri)
Recommender systems generally produce successful recommendations using rating data. However, recommendation systems that rely solely on rating data cannot capture users' feelings and thoughts in detail, so they may exhibit limited performance in some cases. To overcome this limitation, the use of textual data, especially user reviews, in recommender systems provides greater insight into individual preferences and sentiments. In this way, the accuracy and level of personalization of recommendations can be significantly increased. Explainability of recommender systems is another critical issue. Explaining the decision-making mechanism and the reasoning behind recommendations enhances the fairness and transparency of these systems, which increases trust in the system and helps reveal any biases that may be present in the system. This study introduces a novel recommendation algorithm built on user-generated comments. Language models determine the similarity between users' comments. Instead of relying on explicit user ratings, sentiment scores derived from these comments reflect users' opinions about products. Recommendations for the target user are generated by leveraging the sentiment scores of the most similar users. Ten different language models are employed to calculate similarity scores, and their performances are evaluated based on recommendation accuracy. We selected Sentence-BERT (SBERT), the best-performing language model, to calculate similarity scores for our algorithm. Using the attention mechanisms of text representation models and the SHAP method, the system provides reasons behind each recommendation, resulting in an explainable recommendation system.
Benzer Tezler
- Explainable recommender systems: Integrating differentiable fuzzy reasoning with collaborative filtering
Açıklanabilir öneri sistemleri: Diferansiyellenebilir bulanık akıl yürütme ile işbirlikçi filtrelemenin entegrasyonu
SENA KILINÇ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TANER ARSAN
- Hybrid reciprocal recommendation with advanced feature representations
Gelişmiş özellik gösterimleri ile hibrit çift taraflı öneri sistemleri
EZGİ YILDIRIM
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Explaining federated learning-based movie recommendations
Federe öğrenme tabanlı film önerilerinin açıklanması
EGE SOYARAR
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. REYHAN AYDOĞAN
- Aerobik sistemlerde proses stokımetrisi ve kinetiğinin respirometrik olarak değerlendirilmesi
Respirometric evaluation of process kinetic and stoichiometry for aerobic systems
EMİNE UBAY ÇOKGÖR
Doktora
Türkçe
1997
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre ve Enerji Teknolojileri Yönetimi Ana Bilim Dalı
PROF. DR. DERİN ORHON
- Makine öğrenimi ile acil servis triyaj tahmin modeli geliştirme: İstanbul'da bir sağlık grubu örneği
Developing an emergency service triage prediction model with machine learning: an example of a healthcare group in İstanbul
MUHAMMED EMRE GÜVEY
Doktora
Türkçe
2026
Yönetim Bilişim SistemleriSağlık Bilimleri ÜniversitesiSağlık Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. MUHAMMED FEVZİ ESEN