A meta-learning-based approach for recommendation systems
Öneri sistemleri için meta-öğrenmeye dayalı bir yaklaşım
- Tez No: 971810
- Danışmanlar: DOÇ. DR. FATİH KILIÇ
- 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: Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Öneri sistemleri, e-ticaret, akış ve sosyal medya gibi alanlarda kullanıcı tercihlerini tahmin ederek bilgi aşırı yüklenmesini azaltmada önemli bir rol oynar. Geleneksel faktörleştirme ve mahalle tabanlı yöntemler soğuk başlatma ve seyrekliğe eğilimliyken, derin öğrenme teknikleri genelleme yapabilmek için büyük ölçekli etkileşimler gerektirir. Bu sınırlamaları hafifletmek için bu tez, seyrek kullanıcı-öğe etkileşimlerine hızlı adaptasyon için Modelden Bağımsız Meta Öğrenme (MAML) çerçevesini tanıtan meta-öğrenme tabanlı bir öneri modeli olan MAMLRec'i sunar. MAMLRec, regresyon metrikleri ve sıralama metrikleri ile dört MovieLens veri kümesi (100k, 1M, 10M, 20M) üzerinde değerlendirilmiştir. Büyük ölçekli verilerde karşılaştırılabilir performansla, SVD++ gibi en son temel değerlere kıyasla küçük ve orta ölçekli veri kümelerinde %10-20 iyileştirmeler elde edilmiştir. Demografik özelliklerle (yaş, cinsiyet, meslek, tür) yapılan daha kapsamlı deneyler, en son teknoloji sıralı modeller MAMLRec'ten daha iyi sıralama kalitesi sağlasa bile, esneklik konusunda da kanıt sunmaktadır. Genel olarak, bulgular meta-öğrenmeyi, son derece büyük veri kümeleri için ölçeklenebilirlik kısıtlamalarını kabul ederken, seyrek veriler altında kişiselleştirme için umut verici bir çözüm olarak göstermektedir. MAMLRec'i uyarlanabilir ancak genel amaçlı bir çerçeve olarak konumlandırarak, bu tez, öneri sistemleri için meta-öğrenmeye deneysel ve metodolojik olarak katkıda bulunmaktadır.
Özet (Çeviri)
Recommender systems play a key role in mitigating information overload by approximating user preferences in e-commerce, streaming, and social media, among other fields. Traditional factorization and neighborhood-based methods are prone to cold-start and sparsity, while deep learning techniques require large-scale interactions to be able to generalize. To alleviate these limitations, this thesis presents MAMLRec, a meta-learning-based recommendation model, which introduces the Model-Agnostic Meta-Learning (MAML) framework for rapid adaptation with sparse user-item interactions. MAMLRec is evaluated on four MovieLens datasets (100k, 1M, 10M, 20M) with regression metrics and ranking metrics. 10-20% improvements are obtained on small and medium datasets compared to state-of-the-art baselines such as SVD++, with comparable performance on large-scale data. More extended experiments with demographic features (age, gender, occupation, genre) also provide evidence of flexibility, even if state-of-the-art sequential models still achieve better ranking quality than MAMLRec. Overall, the findings indicate meta-learning as a promising solution to personalization under sparse data while acknowledging its scalability constraints for extremely large datasets. By positioning MAMLRec as an adaptive yet general-purpose framework, this dissertation contributes empirically and methodologically to meta-learning for recommender systems.
Benzer Tezler
- Akustik özellikler kullanan müzik öneri sistemi
Music recommendation system using acoustic features
AHMET ELBİR
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NİZAMETTİN AYDIN
- Hybrid deep multi-criteria recommender system model
Hibrit derin çok kriterli öneri sistemi modeli
ABDULRAHMAN ALNAHHAS
Yüksek Lisans
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF İLKER TOPCU
- Öneri sistemlerinde veri seyrekliği problemine derin öğrenme yaklaşımı
A deep learning approach to the problem of data sparsity in recommendation systems
ECEM BÖLÜK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA ÖZGÜR CİNGİZ
- Çapraz e-ticaret pazarlarında hibrit öneri sistemi
Hybrid recommendation system at cross e-commerce markets
EMRE KÖSE
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- Konuşma becerisi alanında yapılan lisansüstü çalışmaların incelenmesi: Bir meta sentez çalışması
On speaking skills a meta-synthesis study
LEYLA AYDIN
Yüksek Lisans
Türkçe
2025
Eğitim ve ÖğretimKafkas ÜniversitesiTürkçe ve Sosyal Bilimler Eğitimi Ana Bilim Dalı
PROF. DR. BERNA URUN KARAHAN