Geri Dön

Solving cold-start and popularity bias ın e-commerce with a hybrid recommender strategy

E-ticarette soğuk başlangiç ve popülerlik önyargisini hibrit öneri stratejisi ile çözme

PDF İndir

  1. Tez No: 957955
  2. Yazar: ESİN SEÇİL ÇOMAK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ İSMAİL DURU
  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: 2025
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 99

Özet

Çevrim içi ticaretin hızla büyümesi, kişiselleştirilmiş öneriler sunabilen akıllı sistemlere olan ihtiyacı artırmıştır. Ancak öneri sistemleri, yeni kullanıcılar ve ürünler için öneri sunamama (soğuk başlangıç problemi) ve yalnızca popüler ürünlerin öne çıkması (popülerlik yanlılığı) gibi zorluklarla karşılaşmaktadır. Bu tezde, işbirlikçi filtreleme teknikleri (SVD++, oto-kodlayıcı tabanlı modeller) ile dönüştürücü mimarisine sahip derin öğrenme modellerinin birleştiği hibrit bir öneri sistemi sunulmaktadır. Ürün yorumlarının semantik temsilleri, E5-Large modeli ile zenginleştirilmiştir. Deneysel analizlerde Amazon hediye kartı yorumları ve ürün verileri kullanılmıştır. Yapılandırılmış veri işleme, dönüştürücü tabanlı semantik gömülerle metin analizi, duygu analizi, yardım oyu dağılımları ve PCA temelli boyut indirgeme işlemleri uygulanmıştır. Sistem MAE, RMSE, Kesinlik ve Geri Çağırma gibi metriklerle değerlendirilmiştir. Sonuçlar, özellikle soğuk başlangıç ve popülerlik yanlılığının yoğun olduğu durumlarda hibrit modelin klasik içerik tabanlı ve işbirlikçi yaklaşımlardan daha başarılı olduğunu göstermektedir. Çalışma, kullanıcı etkileşimleriyle derin semantik temsilleri birleştirerek öneri sistemlerinde doğruluk, çeşitlilik ve ölçeklenebilirlik kazandırmakta, uzun kuyruklu ve niş ürün portföyüne sahip e-ticaret platformlarında kişiselleştirilmiş deneyimleri geliştirmektedir.

Özet (Çeviri)

The exponential growth of online commerce has heightened the demand for intelligent recommender systems that provide personalized user experiences. However, these systems frequently face two key challenges: the cold-start problem—difficulty recommending new items or to new users—and popularity bias, where frequently rated items dominate suggestions. This thesis proposes a hybrid recommender system combining collaborative filtering (e.g., SVD++, Autoencoder-based models) with deep learning models based on transformer architecture. Specifically, semantic embeddings from the E5-Large model are used to enrich product review content. The study uses Amazon gift card reviews and metadata for experimentation. The hybrid strategy includes data preprocessing, semantic enrichment via transformers, and exploratory analysis with sentiment scores, helpful vote distributions, and PCA-based dimensionality reduction. Evaluation metrics include MAE, RMSE, Precision, and Recall. Results demonstrate that the hybrid approach outperforms standalone content-based and collaborative filtering models, especially under cold-start and popularity-biased conditions. This integration enhances personalization, diversity, and model robustness in sparse data scenarios. The findings emphasize the importance of incorporating deep semantic representations alongside user-item interactions, particularly for e-commerce platforms managing long-tail and niche product offerings. The proposed approach contributes to developing scalable, accurate, and diverse recommender systems that improve user engagement and business outcomes.

Benzer Tezler

  1. Tez No

    353916

    İç savaş sonrası İspanyol tiyatrosu

    El teatro de la posguerra de Espana

    BANAFSHE BAYAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Batı Dilleri ve EdebiyatıAnkara Üniversitesi

    Batı Dilleri ve Edebiyatları Ana Bilim Dalı

    PROF. DR. NİL ÜNSAL

  2. Tez No

    509527

    Collaborative filtering recommendation system: Comparison study

    İşbirliğine dayalı filtreleme tavsiye sistemi: Karşılaştırma çalışması

    INAS AMJED MOHAMMED AL-MANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. OSMAN UÇAN

  3. Tez No

    961739

    Mh-nais: a multi-head attention extension of the neural attentive item similarity model

    Mh-nais: Neural Attentive Item Similarity Model'inin çoklu başlıklı dikkat mekanizmasıyla geliştirilmesi

    ESRA KAYAALP

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Veri Mühendisliği ve İş Analitiği Ana Bilim Dalı

    PROF. DR. MEHMET KESKİNÖZ

  4. Tez No

    933290

    Intelligent prefetching methodologies for data-intensive systems

    Veri-yoğun sistemler için akilli önyükleme metodolojileri

    TOLGA BÜYÜKTANIR

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET SIDDIK AKTAŞ

  5. Tez No

    392974

    Soğuk çekme metoduyla üretilen kaynak tellerinde görülen hataların belirlenmesi ve giderilmesi

    Determining and solving the problems of welding wires produced by cold drawing method

    KIVANÇ ALTUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Metalurji Mühendisliğiİstanbul Teknik Üniversitesi

    Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı

    PROF. DR. MAHMUT ERCAN AÇMA

Geri Dön