Çevrim içi gezinme verileri üzerinde hibrit zamansal ve sıralı oturum gömme modelleri ile kullanıcı davranışı analizi
User behavior analysis on online navigation data using hybrid temporal and sequential session embedding models
- Tez No: 992757
- Danışmanlar: PROF. DR. MEHMET SIDDIK AKTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çevrim içi alışveriş ortamlarında kullanıcıların satın alma eğilimlerinin tahmin edilmesine yönelik embedding tabanlı bir oturum temsili çerçevesi geliştirilmiştir. Önerilen yaklaşım, veri işleme, oturum temsili oluşturma ve sınıflandırma aşamalarını kapsayan bütüncül bir modelleme süreci sunmaktadır. E-ticaret platformlarında kullanıcıların ürün arama, tıklama, sayfa görüntüleme ve sepete ekleme gibi çevrim içi etkileşimlerinden elde edilen tıklama akışı verileri önemli bir analiz kaynağıdır. Bu veriler, kullanıcı niyetinin, ilgisinin ve karar verme sürecinin zamansal ve bağlamsal örüntülerini yansıtmaktadır. Bu verilerin doğru modellenmesi, satın alma olasılıklarının erken tespiti ve kişiselleştirilmiş öneriler açısından kritik öneme sahiptir. Bu doğrultuda, kullanıcı oturumlarını temsil eden yoğun ve ayırt edici vektör temsilleri üç temel strateji temel alınarak oluşturulmuştur. Zamansal ağırlıklı embedding yaklaşımı, oturum süresince gerçekleşen etkileşimlerde son kullanıcı davranışlarına daha fazla ağırlık atayarak kısa vadeli niyet değişimlerini daha hassas biçimde yakalamakta ve karar sürecinde zaman faktörünün etkisini ön plana çıkarmaktadır. Yakınlık temelli yöntem, oturumun son eylemlerine odaklanarak kısa vadeli davranış eğilimlerini temsil etmekte ve kullanıcının güncel ilgi alanlarına ilişkin daha doğrudan bir gösterge sunmaktadır. Sıra tabanlı temsil yöntemi ise, kullanıcı eylemlerinin sıralı yapısını koruyarak uzun vadeli davranışsal bağımlılıkları modellemekte ve niyetin oturum süresince nasıl evrildiğini bütüncül bir biçimde yansıtmaktadır. Gerçek e-ticaret verileri üzerinde gerçekleştirilen uygulama sürecinde, ham tıklama kayıtları detaylı bir ön işleme aşamasından geçirilmiş; eksik, hatalı veya gürültülü oturumlar ayıklanmış, aşırı kısa veya uzun oturumlar filtrelenmiştir. Satın alma işlemi içermeyen veya tamamlanmamış oturumlar dışarıda bırakılmış, yalnızca satın alma öncesi davranış örüntüleri değerlendirilmiştir. E-ticaret verileri üzerinde yürütülen uygulama sürecinde, ham tıklama kayıtları kapsamlı bir ön işleme aşamasından geçirilmiş; gürültülü ve aykırı oturumlar elenmiştir. Bu yaklaşım, modelin dengeli ve güvenilir bir veri kümesiyle eğitilmesini sağlamış ve kullanıcıların satın alma kararlarını vermeden önceki etkileşim dizilerinden anlamlı örüntüler öğrenmesine olanak tanımıştır. Elde edilen embedding temsilleri, farklı makine öğrenmesi ve derin öğrenme tabanlı sınıflandırıcılar kullanılarak değerlendirilmiştir. Random Forest, XGBoost ve LSTM mimarileriyle gerçekleştirilen deneysel analizler, zamansal ağırlıklı embedding yaklaşımının kullanıcı niyetini temsil etmede daha yüksek doğruluk sağladığını ve kısa vadeli davranış değişimlerine daha duyarlı olduğunu ortaya koymaktadır. Zamansal ve sıralı bilgilerin birlikte dikkate alındığı temsiller ise kısa vadeli niyet sinyalleri ile uzun vadeli davranış örüntülerini eş zamanlı olarak yakalayarak modelin genelleme yeteneğini artırmaktadır. Deneysel bulgular, embedding temsillerinin milisaniye düzeyinde üretilebildiğini ve bu durumun gerçek zamanlı sistem gereksinimleriyle uyumlu olduğunu göstermektedir. Sonuçlar, zamansal ağırlıklı temsillerin doğruluk, ölçeklenebilirlik ve erken niyet tespiti açısından dengeli bir performans sunduğunu; zamansal ve sıralı bilgilerin birlikte ele alındığı yaklaşımın ise kullanıcı davranışlarını daha kapsamlı ve yorumlanabilir biçimde temsil ettiğini ortaya koymaktadır.
Özet (Çeviri)
An embedding-based session representation framework has been developed to predict user purchase propensity in online shopping environments. The proposed approach provides a holistic modeling process encompassing data preprocessing, session representation construction, and classification stages. An essential source for analysis is clickstream data, which is gathered from online user interactions on e-commerce platforms, including product searches, clicks, page views, and add-to-cart actions. The temporal and contextual patterns of user intent, interest, and decision-making processes are reflected in these data. Accurate modeling of this information is critical for early detection of purchase propensity and the delivery of personalized recommendations. In this context, dense and discriminative vector representations of user sessions are constructed based on three fundamental strategies. The temporally weighted embedding approach assigns greater importance to recent user interactions within a session, enabling more sensitive capture of short-term intent changes and emphasizing the role of time in the decision-making process. The recency-based method focuses on the most recent actions in a session, representing short-term behavioral tendencies and providing a more direct indication of the user's current interests. The sequence-based representation method preserves the sequential structure of user actions, modeling long-term behavioral dependencies and providing a holistic view of how user intent evolves throughout a session. During the application phase conducted on real e-commerce data, raw clickstream records are subjected to a detailed preprocessing stage; incomplete, erroneous, and noisy sessions are removed, and excessively short or long sessions are filtered out. Sessions that do not contain a purchase event or that are incomplete are excluded, and only pre-purchase behavioral patterns are considered for analysis. Within the application process carried out on e-commerce data, raw clickstream records undergo comprehensive preprocessing, during which noisy and outlier sessions are eliminated. This approach ensures that the model is trained on a balanced and reliable dataset and enables the learning of meaningful patterns from interaction sequences preceding users' purchase decisions. The resulting embedding representations are evaluated using various machine learning and deep learning–based classifiers. Experimental analyses conducted with Random Forest, XGBoost, and LSTM architectures demonstrate that the temporally weighted embedding approach achieves higher predictive accuracy in representing user intent and exhibits greater sensitivity to short-term behavioral changes. Representations that jointly consider temporal and sequential information capture short-term intent signals and long-term behavioral patterns simultaneously, thereby enhancing the model's generalization capability. Experimental findings indicate that embedding representations can be generated at millisecond-level latency, demonstrating compatibility with real-time system requirements. The results show that temporally weighted representations provide a balanced performance in terms of accuracy, scalability, and early intent detection, while approaches that jointly consider temporal and sequential information offer a more comprehensive and interpretable representation of user behavior.
Benzer Tezler
- Post-flânerie: Altering rhythm, visual attention, and experience during walking in hybrid public space
Post-flanörlük: Hibrit kamusal mekânda yürürken değişen ritim, görsel dikkat ve deneyim
GÖRSEV ARGIN UZ
Doktora
İngilizce
2023
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. HANDAN TÜRKOĞLU
PROF. DR. BURAK PAK
- Navigating the paradox of connectivity and isolation: Impacts on digital nomads' psychological well-being
Bağlantılı olmanın ve yalnızlığın paradoksunda yol almak: Dijital göçebelerin psikolojik iyilik hâline etkileri
MAHİN FARSHBAF MAHERIAN
Yüksek Lisans
İngilizce
2025
Psikolojiİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. ADNAN VEYSEL ERTEMEL
- Görev temelli bir e-öğrenme ortamında algoritmik kaybolma ölçümünün gezinme metrikleri bağlamında incelenmesi
Examining algorithmic loss measurement in the context of navigaton metrics in a task-based e-learning environment
MÜGE VURAN
Doktora
Türkçe
2024
Eğitim ve ÖğretimGazi ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. TOLGA GÜYER
- AO* and Penalty Based Algorithms for the Canadian Traveler Problem
Kanadalı Gezgin Problemi İçin AO* ve Ceza Tabanlı Algoritmalar
ÖMER FURKAN ŞAHİN
Yüksek Lisans
İngilizce
2015
Endüstri ve Endüstri Mühendisliğiİstanbul Şehir ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. VURAL AKSAKALLI
- Hareketli nesnelere ait gezinge verilerinin yeni bir yöntem ve ileri beslemeli yapay sinir ağları ile indirgenmesi
Reduction of trajectory data of moving objects with a novel method and feed forward artificial neural networks
SAMET DİRİ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET YILDIRIM