Grup öneri sistemleri için kümeleme yaklaşımları geliştirilmesi
Developing clustering approaches for group recommendersystems
- Tez No: 978046
- Danışmanlar: DR. ÖĞR. ÜYESİ ZEYNEP BATMAZ
- 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: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Yazılımı Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gerçek dünyada birçok karar süreci topluluk temelli etkileşimlerle şekillendiğinden, bireysel tercihlere dayalı öneri sistemleri, grup halinde karar alınması gereken durumlarda yetersiz kalmaktadır. Bu nedenle, grup dinamiklerini dikkate alan grup öneri sistemlerinin (GÖS) geliştirilmesi kaçınılmaz hale gelmiştir. Literatürde bu amaçla, eksik puanların tahmin edilmesinin ardından kullanıcıların gruplanmasına dayanan Tahmin Et & Kümele (Predict & Cluster) yaklaşımı yaygın olarak kullanılmaktadır. Ancak bu yaklaşımda kullanılan farklı veri tamamlama ve kümeleme tekniklerinin öneri doğruluğu üzerindeki etkilerini bir arada ve karşılaştırmalı biçimde inceleyen çalışmalar sınırlıdır. Bu tez çalışması, GÖS kapsamında kullanıcı gruplarının oluşturulmasına yönelik veri tamamlama süreçlerini ayrıntılı biçimde ele almakta ve bu süreçlerin öneri başarımına etkisini analiz etmektedir. Tahmin Et & Kümele yaklaşımı temel alınarak grup oluşturma süreci iki aşamada incelenmiştir: eksik puanların doldurulması ve kullanıcıların gruplanması. Bu kapsamda, Üretken Çekişmeli Tamamlama Ağı, Tekil Değer Ayrıştırması++ (SVD++) ve K-En Yakın Komşu gibi veri tamamlama yöntemleri; Kısıtlı K-Ortalama, Gürültüye Dayanıklı Yoğunluk Tabanlı Kümeleme, Kendini Organize Eden Haritalar, Hiyerarşik Kümeleme ve Benzerlik Yayılımı gibi kümeleme algoritmalarıyla birlikte değerlendirilmiştir. Yalnızca tamamlanmış veri setleri değil, orijinal kullanıcı-ürün matrisine uygulanan kümeleme yöntemlerinin performansları da karşılaştırmalı olarak incelenmiştir. Tüm yöntemler için öneri doğruluğu; Kesinlik, Duyarlılık, F1-Skoru ve nDCG metrikleri üzerinden ölçülmüştür. Bulgular, SVD++ yönteminin En Az Mutsuzluk stratejisi altında en yüksek doğruluğu sağladığını; kümeleme açısından ise Benzerlik Yayılımı'nın ACM varyantının öne çıktığını göstermektedir.
Özet (Çeviri)
Since many decision-making processes in the real world are shaped by group-based interactions, traditional recommender systems based on individual preferences often fall short in scenarios where collective decisions are required. Therefore, the development of group recommender systems (GRS) that take group dynamics into account has become essential. In the literature, the Predict & Cluster approach—where users are clustered after predicting missing ratings—is widely used for this purpose. However, comprehensive studies that examine the combined and comparative effects of various data imputation techniques and clustering algorithms within this approach remain limited. This thesis focuses on the data completion processes involved in forming user groups within GRS and analyzes their impact on recommendation performance. Based on the Predict & Cluster framework, the group formation process is examined in two stages: missing value imputation and user clustering. In this context, data imputation techniques such as Generative Adversarial Imputation Networks, Singular Value Decomposition++ (SVD++), and K-Nearest Neighbors are evaluated alongside clustering algorithms including Constrained K-Means, Density-Based Spatial Clustering of Applications with Noise, Self-Organizing Maps, Hierarchical Clustering, and Affinity Propagation. Not only the completed rating matrices but also the performance of clustering algorithms applied directly to the original user-item matrix are comparatively analyzed. Recommendation accuracy is measured using Precision, Recall, F1-Score, and nDCG metrics. The findings indicate that the SVD++ method provides the highest recommendation accuracy under the Least Misery strategy, while the Affinity Propagation algorithm with the ACM variant stands out in the clustering phase.
Benzer Tezler
- Taxonomy and visualization of digital architecture knowledge: Proposal for a scientific online encyclopedia
Dijital mimarlık bilgisinin taksonomisi ve görselleştirilmesi: Bilimsel bir çevrim içi ansiklopedi önerisi
ESRANUR KARACİF
- Grup öneri sistemleri için yeni otomatik grup tanımlama ve tercih birleştirme yöntemleri
Novel automatic group identification and preference aggregation methods for group recommender systems
EMRE YALÇIN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER BİLGE
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Array processing and optimization techniques of beamforming and resource allocation for enhanced spectral efficiency in 5g and beyond systems
5g ve ötesı sıstemlerının hüzmeleme ve spektral verımlılığının vektör íşleme ve optımızasyon ıle gerçekleştırılmesı
NANN WIN MOE THET NANN WIN MOE THET
Doktora
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. MEHMET KEMAL ÖZDEMİR
- A K-means clustering-based shape retrieval technique for 3D mesh models
Üç boyutlu çözüm ağları için K-means kümeleme tabanlı şekil araması
MOHAMMADHASSAN REZAEI
Yüksek Lisans
İngilizce
2017
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ERKAN GÜNPINAR