Incorporating variants of graph neural networks in recommender system
Grafik sinir ağları yöntemleri ile öneri sistemi tasarımı
- Tez No: 987955
- Danışmanlar: DOÇ. DR. ALPER ÖZCAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Grafik sinir ağları, Kullanıcı tahmini, Yapay sinir ağları, Öğrenme transferi, Graph neural networks, User estimate, Artificial neural networks, Transfer of learning
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda çizge sinir ağlarının (GNN) öneri sistemlerinde kullanımı hızla artmaktadır. GNN'ler, kullanıcılar ve öğeler arasındaki karmaşık ilişkileri güçlü bir biçimde temsil etme yeteneğine sahiptir. Ancak mevcut GNN sistemleri genellikle yalnızca derecelendirme ve inceleme verilerine odaklanmakta, bu da grafikteki yapısal ve konumsal bilgilerin yanı sıra zaman içinde değişebilen kullanıcı tercihlerinin kapsamlı bir şekilde modellenmesini engellemektedir. Bu çalışmada, ileri düzey gömme teknikleri, konumsal kodlama, topolojik özellik çıkarımı ve transfer öğrenimi stratejilerini entegre eden, gelişmiş bir uçtan uca Graph Neural Network (SPT-GNN) mimarisi önerilmektedir. IMDb veri kümesi üzerinde ön eğitimli bir kodlayıcı, bilginin transferini sağlayarak domain farklılıklarını kapatmakta ve tahmin doğruluğunu artırmaktadır. Önerilen model, hem lokal hem de global düzeyde kullanıcı-öğe etkileşimlerini ve zamansal-dinamik kullanıcı tercihlerini etkili biçimde öğrenmektedir. Movielens veri kümesinde gerçekleştirilen kapsamlı deneysel analizlerde SPT-GNN modeli, karşılaştırmalı baz modellerin (Collaborative Filtering, Content-based Filtering, Matrix Factorization, Vanilla GNN, BIVAECF, RecVAE) üzerinde üstün performans göstermiş; doğruluk, kesinlik (precision), geri çağırma (recall) ve alan altında kalan eğri (AUC) metriklerinde anlamlı artışlar sağlamıştır. Bu bulgular, nitelik çıkartımı, gelişmiş gömme teknikleri ve transfer öğreniminin bir araya getirilmesinin, öneri sistemlerinin doğruluğunu, kapsamını ve kullanıcı deneyimini geliştirmede güçlü bir yaklaşım olduğunu ortaya koymaktadır. Ayrıca bu çalışma, GNN tabanlı öneri sistemleri için yapılandırılmış ve zamansal bilgiyi etkin biçimde entegre eden bir model tasarımına katkıda bulunarak alandaki geleceğe yönelik araştırmalara değerli bir zemin sunmaktadır.
Özet (Çeviri)
In recent years, the use of Graph Neural Networks (GNNs) in recommender systems has gained increasing attention, owing to their capacity to represent complex relationships between users and items through feature embeddings. However, most existing graph-based systems primarily rely on rating and review data, limiting their ability to capture structural and positional information within the graph, as well as the dynamic nature of user preferences. This study proposes an advanced end-to-end Graph Neural Network architecture (SPT-GNN) that integrates state-of-the-art feature engineering, embedding techniques, positional encoding, topological feature extraction, and transfer learning strategies to overcome these limitations. A pre-trained encoder trained on the IMDb dataset facilitates knowledge transfer, effectively bridging domain gaps and enhancing prediction accuracy. The proposed model effectively learns both local and global user-item interactions and captures temporal-dynamic user preferences. Extensive experimental analyses conducted on the Movielens dataset demonstrate that the SPT-GNN model significantly outperforms comparative baseline models (Collaborative Filtering, Content-based Filtering, Matrix Factorization, Vanilla GNN, BIVAECF, RecVAE), achieving notable improvements in metrics such as accuracy, precision, recall, and area under the curve (AUC). These findings highlight the power of integrating related features, sophisticated embedding techniques, and transfer learning to enhance recommendation accuracy, coverage, and user satisfaction. Additionally, this research contributes to the field of GNN-based recommender systems by offering a model architecture that effectively integrates structural and temporal information, providing a solid foundation for future research and practical applications.
Benzer Tezler
- Network analysis of co-search-based investor attention on stock prices
Ortak arama tabanlı yatırımcı dikkatinin hisse senedi fiyatları üzerindeki ağ analizi
MÜGE ÖZDEMİR
- Incorporating piecewise linear functions with constant regions in backpropagation
Sabit bölgeli parçalı doğrusal fonsiyonların geri yayılım algoritmasına dahil edilmesi
ADNAN HARUN DOĞAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SİNAN KALKAN
DOÇ. DR. EMRE AKBAŞ
- Deep learning approaches for multi-site wind power forecasting in the West Aegean region of Turkey
Türkiye'nin Batı Ege bölgesinde çok sahalı rüzgar enerjisi tahmini için derin öğrenme yaklaşımları
MERT SARIKAYA
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri MühendisliğiBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN
- Development of monovalent bivalent and trivalent inactivated vaccine candidates against SARS COV-2 variants and determination of their protective efficacy
SARS COV-2 varyantlarına karşı monovalan, bivalan, trivalan inaktif aşı adaylarının geliştirilmesi ve koruyucu etkinliklerinin belirlenmesi
HAZEL YETİŞKİN
Doktora
İngilizce
2024
MikrobiyolojiErciyes ÜniversitesiTemel Tıp Bilimleri Ana Bilim Dalı
PROF. DR. AYKUT ÖZDARENDELİ
- Ayarlı kütle sönümleyici ekli betonarme bir bina üzerinde fizibilite analizi
Feasibilty analysis of a building incorporating tuned mass damper
YUNUS SİNAN AKBAŞ
Yüksek Lisans
Türkçe
2022
Deprem Mühendisliğiİstanbul Teknik ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARCAN YANIK
DR. ÖĞR. ÜYESİ SENEM BİLİR MAHÇİÇEK