Developing an e-commerce recommendation system using deep learning and optimization algorithms
Derin öğrenme ve optimizasyon algoritmaları kullanılarak e-ticaret öneri sistemi geliştirilmesi
- Tez No: 965241
- Danışmanlar: DOÇ. DR. ADEM TEKEREK, DR. MUHAMMED MUTLU YAPICI
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 163
Özet
Mobil uygulamaların ve çevrimiçi e-ticaret platformlarının hızlı büyümesi, kullanıcı tarafından oluşturulan ürün yorumları ve puanlamalar gibi büyük miktarda verinin toplanmasını mümkün kılmıştır. Bu yorumlar, tüketici kararlarının şekillenmesinde, marka itibarında ve genel kullanıcı memnuniyetinde kritik bir rol oynamaktadır. Ancak mevcut puanlama tahmin modelleri, genellikle bireysel kullanıcı eğilimlerini ve yorum metinlerinde yer alan anlamsal zenginliği göz ardı etmektedir. Bu sınırlamaları aşmak amacıyla, bu çalışma, faydalı yorumların tanımlanması ve önerilmesini geliştirmeyi hedefleyen iki tamamlayıcı derin öğrenme tabanlı çerçeve sunmaktadır. İlk önerilen model olan Kişisel Eğilimlere Dayalı Dengeli Faydalı Yorum Ölçümleme (BHRQUT) modeli, kullanıcıların kişiselleştirilmiş puanlama davranışlarını ve gerçek ile tahmin edilen puanlamalardan türetilmiş yeni bir yardımcı özelliği bünyesinde barındırmaktadır. Bu özellik, kelime gömme (embedding) ve doğal dil işleme teknikleri kullanılarak dengeli bir CNN-BiLSTM mimarisi ile işlenen metin tabanlı girdilerle bütünleştirilmiştir. Amazon 5 dereceli puanlama verisetleri üzerinde yapılan deneysel değerlendirmeler, BHRQUT modelinin %97'ye varan doğruluk oranı ile geleneksel modellere kıyasla kullanıcı tercihlerini yakalama ve faydalı içeriği tanımlama konusunda önemli başarılar elde ettiğini göstermektedir.
Özet (Çeviri)
The exponential growth of mobile applications and online e-commerce platforms has facilitated the accumulation of extensive user-generated data, incorporating product reviews and ratings. The user reviews heavily impact how people decide what to buy, brand reputation, and overall user satisfaction. However, existing rating prediction models often overlook individual user tendencies and the semantic richness embedded within review texts. To address these limitations, this study introduces two complementary deep learning- based frameworks to enhance the identification and recommendation of helpful reviews. The first proposed model, Balanced Helpful Review Quantification Using User Tendencies (BHRQUT), incorporates personalised rating behaviours and a novel auxiliary feature derived from actual and predicted ratings. This feature is further integrated with text-based inputs processed through a balanced CNN-BiLSTM architecture, leveraging word embeddings and natural language processing techniques. Experimental evaluations on Amazon 5-score domain datasets reveal that BHRQUT achieves an accuracy of up to 97%, significantly outperforming traditional models in capturing user preferences and identifying helpful content. The second model, Pre-trained Deep Helpful Review Recommendation Framework (PRE-DHRRF), applies transfer learning on large-scale review datasets (Amazon and Yelp) to better understand domain-specific language patterns, informal expressions, and contextual semantics. This framework combines a tendency-based collaborative filtering algorithm with data augmentation strategies to address data sparsity and class imbalance issues. Results show that PRE-DHRRF attains an accuracy of 98% with a minimal generalisation gap of 0.3%, demonstrating its robustness in detecting helpful reviews across diverse datasets. Together, these models contribute to advancing the state of review helpfulness prediction by addressing user behavioural tendencies and linguistic nuances in review texts. The results highlight the practical significance of the proposed systems in improving e-commerce recommendation platforms, enabling better decision-making, and enhancing user experience through smart filtering of valuable information.
Benzer Tezler
- Hierarchical deep bidirectional self-attention model for recommendation
Hiyerarşik çift yönlü öz dikkat tabanlı derin öğrenme tavsiye modeli
İREM İŞLEK
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ 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
- Sigortada dağıtım ve tutundurma metodları
Başlık çevirisi yok
BANU GÖNENÇ
Yüksek Lisans
Türkçe
1994
SigortacılıkMarmara ÜniversitesiSigortacılık Ana Bilim Dalı
DOÇ. DR. OSMAN GÜRBÜZ
- Development a recommendation system for an e-commerce based on alternating least squares
Başlık çevirisi yok
MOHAMED OUASSINI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Determining e-commerce product recommendation systems utilizing mcdm methods
Çkkv yöntemlerini kullanarak e-ticaret ürün öneri sistemlerinin belirlenmesi
MİNE YAVUZ ŞAFAK
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF İLKER TOPCU