Çok ölçütlü öneri sistemlerinde popülarite yanlılığı yönetme
Managing popularity bias in multi-criteria recommender systems
- Tez No: 979638
- Danışmanlar: DR. ÖĞR. ÜYESİ TUĞBA TÜRKOĞLU KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Öneri sistemleri, Suggestion systems
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ardahan Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
- Bilim Dalı: İleri Teknolojiler Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çok ölçütlü öneri sistemleri, kullanıcıların ürün veya hizmetleri birden fazla kriter üzerinden değerlendirmesine imkân tanıyarak daha kişiselleştirilmiş ve kapsamlı öneriler sunmayı hedeflemektedir. Ancak bu sistemlerde karşılaşılan temel sorunlardan biri popü- larite yanlılığıdır. Popülarite yanlılığı, kolektif eğilimlerin bireysel tercihler üzerinde bas- kın hale gelmesiyle ortaya çıkar; bu durum, öneri listelerinde popüler içeriklerin aşırı temsil edilmesine ve daha az bilinen ancak uygun alternatiflerin göz ardı edilmesine ne- den olur. Bu bağlamda, bu tez kapsamında mevcut yöntemleri incelemenin yanı sıra po- pülarite yanlılığını azaltmayı hedefleyen iki yenilikçi yaklaşım önermektedir: RelPref ve PriRelPref. Bu yöntemler, kullanıcı-öğe etkileşimlerini daha hassas ve dengeli şekilde modelleyerek, kullanıcıların kriter önceliklerini dikkate alır. RelPref, her kriter için kul- lanıcı puanlarını dinamik olarak değerlendirirken; PriRelPref, kullanıcıya özgü kriter ön- celiklendirmesini dahil ederek yanlılığı daha etkin biçimde azaltır. Böylece, kullanıcıların en çok önem verdiği kriterlerle öğelerin en iyi performans gösterdiği kriterler arasında uyum sağlanır ve daha dengeli, çeşitli ve kişiselleştirilmiş öneriler sunulur. Önerilen yön- temler, farklı kullanıcı puanlama davranışlarını temsil eden üç farklı veri setinde (YM10, YM20 ve TA) kapsamlı şekilde test edilmiştir. Çok boyutlu ölçütler (örneğin, uzun kuy- rukta öğe görünürlüğü ve çeşitlilik için Gini indeksi) RelPref ve PriRelPref'in hem kul- lanıcı memnuniyetini hem de sistem düzeyinde keşfedilebilirlik ve adil içerik dağılımı gibi nitelikleri anlamlı ölçüde geliştirdiğini göstermiştir. Özellikle, PriRelPref'in kriter önceliklendirme özelliği, popülarite yanlılığının yönetiminde daha etkin bir çözüm sun- maktadır. Sonuç olarak, bu çalışma çok ölçütlü öneri sistemlerinde popülarite yanlılığını sistematik biçimde ele alan ilk çalışmalardan biri olup, literatürdeki önemli bir boşluğu doldurmakta ve gelecekteki araştırmalar için sağlam bir teorik ve metodolojik temel oluş- turmaktadır.
Özet (Çeviri)
Multi-criteria recommendation systems aim to provide more personalized and comprehensive recommendations by allowing users to evaluate products or services ba- sed on multiple criteria. However, one of the fundamental problems encountered in these systems is popularity bias. Popularity bias occurs when collective tendencies become do- minant over individual preferences; this situation leads to over-representation of popular content in recommendation lists and the neglect of less-known but suitable alternatives. In this context, this thesis proposes two innovative approaches, RelPref and PriRelPref, aimed at reducing popularity bias, in addition to examining existing methods. These met- hods model user-item interactions more sensitively and balancedly, taking into account users' criterion priorities. While RelPref dynamically evaluates user scores for each crite- rion, PriRelPref more effectively reduces bias by incorporating user-specific criterion pri- oritization. Thus, harmony is achieved between the criteria that users value most and the criteria where items perform best, providing more balanced, diverse, and personalized recommendations.The proposed methods have been comprehensively tested on three dif- ferent datasets (YM10, YM20, and TA) representing different user rating behaviors. Multi-dimensional metrics (such as Gini index for long-tail item visibility and diversity) have shown that RelPref and PriRelPref significantly improve both user satisfaction and system-level qualities such as discoverability and fair content distribution. Particularly, PriRelPref's criterion prioritization feature provides a more effective solution in managing popularity bias. In conclusion, this study is one of the first studies to systematically address popu- larity bias in multi-criteria recommendation systems, filling an important gap in the lite- rature and establishing a solid theoretical and methodological foundation for future rese- arch.
Benzer Tezler
- Çok ölçütlü oy değerleri üzerinde en iyi-N öneri sistemi ve şilin atakların etkisi
Top-N recommender system and effect of shilling attack onmulti-criteria rating values
TUĞBA KAYA
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CİHAN KALELİ
- Şehiriçi bisiklet kullanımında güzergâh seçimini etkileyen parametrelerin değerlendirilmesi
Evaluation of parameters affecting route selection in urban bike use
EMEL YÜZER GÜNAY
Yüksek Lisans
Türkçe
2016
İnşaat MühendisliğiSüleyman Demirel Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MELTEM SAPLIOĞLU
- İşletmelerde verimliliğin ölçülmesi, değerlendirilmesi ve arttırılmasına sistematik yaklaşım
A Systematic approach for productivity measurement, evaluation and improvement
RASİH BOZTEPE
- Çoklu-ölçütlü ortak filtreleme sistemlerinde kaba kümeler kullanımı
The use of rough sets theory in multi-criteria recommender systems
EMİN TALİP DEMİRKIRAN
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YAŞAR HOŞCAN
- Naive Bayes sınıflandırıcı tabanlı ikili-veri çoklu-ölçütlü öneri sistemler
Binary-data multi-criteria recommender systems based on Naive Bayes classifier
EMRE YALÇIN
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnadolu ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ALPER BİLGE