Makine öğrenmesi ve derin öğrenme yöntemleri ile E-ticaret sistemlerinde: ürün önerisi amaçlı en iyi model seçimi ve performans değerlendirmesi
Model selection and performance evaluation for product recommendation in E-commerce systems using machine learning and deep learning methods
- Tez No: 947622
- Danışmanlar: DR. ÖĞR. ÜYESİ ERSİN ERSOY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Mühendisliği Bilim Dalı
- Sayfa Sayısı: 63
Özet
E-ticaret sektöründe kullanıcı deneyimini ve satışları artırmanın en önemli yollarından biri, kullanıcılara özel ürün önerileri sunabilen öneri sistemleridir. Bu sistemler, kullanıcıların geçmiş etkileşimleri, satın alma alışkanlıkları ve ürün özellikleri gibi verileri analiz ederek kişiselleştirilmiş öneriler oluşturur. Günümüzde, büyük e-ticaret platformları (Amazon, Alibaba, Hepsi burada, Trendyol vb.) tarafından kullanılan gelişmiş öneri algoritmaları, müşteri sadakatini artırmak ve dönüşüm oranlarını yükseltmek için kritik bir rol oynamaktadır. Bu çalışmada, özel olarak oluşturulmuş ve gerçek bir e-ticaret platformundan elde edilen özgün bir veri seti kullanılarak, farklı makine öğrenmesi ve derin öğrenme tabanlı algoritmaların ürün öneri sistemlerindeki performansı karşılaştırılmıştır. Bu çalışmada, e-ticaret platformlarında kullanıcı deneyimini geliştirmek amacıyla geniş bir algoritma yelpazesi ele alınmıştır. Algoritmalar, her bir kullanıcının tercihlerine göre önerilerde bulunmayı hedeflerken, farklı yöntemler ve yaklaşımlar kullanmaktadır. Bu algoritmaların performansı; Ortalama Doğruluk (MAP), Kapsama Oranı (Coverage- CC), Ortalama Önerilen Ürün Sayısı (MNS), Ortalama Derinlik Skoru (MDS) ve Ortalama Kişiselleştirme Skoru (MPS) metrikler kullanılarak kapsamlı bir şekilde değerlendirilmiştir. Çalışmanın temel amacı, farklı algoritmaların öneri doğruluğu, çeşitlilik, yenilikçilik ve kişiselleştirme açısından güçlü ve zayıf yönlerini ortaya koyarak, en uygun öneri modelini belirlemektir. Ayrıca, özgün e-ticaret verisi kullanılması sayesinde, öneri sistemlerinin gerçek dünya senaryolarında nasıl çalıştığı daha gerçekçi bir şekilde değerlendirilmiştir. Bu çalışma, e-ticaret platformları için en uygun öneri sistemini belirlemek isteyen araştırmacılar ve sektör profesyonelleri için yol gösterici niteliktedir. Aynı zamanda, farklı öneri algoritmalarının avantajlarını ve sınırlamalarını ortaya koyarak, gelecekte bu sistemlerin daha etkin hale getirilmesi için potansiyel geliştirme alanlarını sunmaktadır.
Özet (Çeviri)
One of the most important ways to enhance user experience and increase sales in the e-commerce sector is through recommendation systems that offer personalized product suggestions. These systems analyze data such as user interactions, purchasing habits, and product features to generate tailored recommendations. Advanced recommendation algorithms used by large e-commerce platforms play a critical role in boosting customer loyalty and increasing conversion rates. This study compares the performance of various machine learning and deep learning-based algorithms for product recommendation systems using an original dataset from an e-commerce platform. A wide range of algorithms aimed at improving user experience in e-commerce platforms is examined. These algorithms use different methods and approaches to provide recommendations based on individual user preferences. The performance of these algorithms is comprehensively evaluated using metrics such as Mean Average Precision (MAP), Catalog Coverage (CC), Mean Number of Suggested Products (MNS), Mean Depth Score (MDS), and Mean Personalization Score (MPS). The primary aim of the study is to identify the most suitable recommendation model by highlighting the strengths and weaknesses of each algorithm in terms of recommendation accuracy, diversity, novelty, and personalization. The use of an original e-commerce dataset allows for a more realistic evaluation of how recommendation systems perform in real-world scenarios. This study serves as a guide for researchers and industry professionals seeking to determine the most effective recommendation system for e-commerce platforms.
Benzer Tezler
- TV ve set üstü cihaz arayüz kullanılabilirlik ölçümü
Usability evaluation of TV and set-top box interfaces
AYCAN PEKPAZAR
Doktora
Türkçe
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM ALTIN GÜMÜŞSOY
- 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
- Enriching predictive models using graph embeddings
Tahminleme modellerinin çizge gömmeleri kullanılarak zenginleştirilmesi
YAREN YILMAZ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- A comparison of LSTM and GNN based session recommendation systems
LSTM ve GNN tabanlı oturum öneri sistemlerinin karşılaştırılması
ÇAĞRI EMRE YILDIZ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN
- Investigation of embedding methods on gnn basedrecommender models
Çizge sinir ağı temelli öneri sistemleriüzerinde kullanılan gömme tipinin etkisinin araştırılması
MUSTAFA AKER
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN