Scalable recommender system that improves generalization
Genellemeyi iyileştiren ölçeklenebilir tavsiye sistemi
- Tez No: 342610
- Danışmanlar: YRD. DOÇ. DR. ÖZGÜR YILMAZEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2013
- Dil: İngilizce
- Üniversite: Anadolu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tavsiye sistemlerinin temel zorluklarından bir tanesi, kullanıcı ya da ürün hakkında yeterli davranış bilgisi bulunmayan soğuk-başlangıç verisine genellemedir. İçerik tabanlı süzgeçleme bu problemi çözebilse de, işbirlikçi süzgeçleme yöntemleri, yeterli davranış verisi olduğunda, daha hatasız tavsiyelerde bulunur. Bir tavsiye sorgusunun farklı etki alanlarından birine ait olabileceği göz önünde bulundurularak, küme öğrenme tabanlı bir melez tavsiye sistemi anlatılmıştır. Bu birleşik yöntem, her biri farklı etki alanlarını (yüksek kalite geribildirim verisi mevcut, kullanıcı soğuk-başlangıç durumunda, ürün soğuk-başlangıç durumunda) temsil eden doğrulama veri kümeleri üzerinde doğrusal kombinasyonlar öğrenir. Bu problem, uygun şekilde doğrulama ve test verisi oluşturularak; daha sonra üç çeşit tümleyici tavsiye sistemi (matris çarpanlarına ayırma tabanlı işbirlikçi süzgeçleme, ürün içeriği tabanlı süzgeçleme, kullanıcı demografisi tabanlı süzgeçleme) kullanılarak gösterilmiştir. Farklı doğrulama veri kümeleri kullanılarak yapılan deneyler; melez yöntemin, o etki alanında en iyi doğruluğa ulaşan tek tavsiye sistemine yakınsayacak şekilde ağırlıklandırma öğrendiğini göstermektedir.
Özet (Çeviri)
A major challenge for recommender systems is to generalize to cold-start prediction tasks, where no behavior data is available for the active user or the item. Content-based filtering is able to attack to this problem, while collaborative filtering ends up with accurate recommendations where high quality feedback is available. Considering the domain of a prediction task can vary, an ensemble learning-based hybrid recommender model is described. The combined model learns separate linear combinations from validation data sets representing each domain: high quality feedback available, user or item is unseen. The problem is illustrated by creating groups of validation and test data sets accordingly, and referring to three kinds of complementary recommenders: matrix factorization based, user demographics, and item content-based. Experiments demonstrate that using those separate validation data sets; the hybrid recommender model adjusts weights such that it converges to the individual recommender that performs the best on a domain.
Benzer Tezler
- Data-driven anomaly detection for airspace security using ADS-B surveillance data
ADS-B gözetim verisi ile hava sahası güvenliği için veri tabanlı anomali tespiti
ABDULLAH ÇERKEZOĞLU
Yüksek Lisans
İngilizce
2025
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. BARIŞ BAŞPINAR
- Computerized daily simulation and optimization in a petroleum refinery
Başlık çevirisi yok
ERCAN ÖZTEMEL
Yüksek Lisans
İngilizce
1987
Endüstri ve Endüstri MühendisliğiBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ.DR. M. AKİF EYLER
- A Tool for generating three dimensional animation on computers
Başlık çevirisi yok
CEMİL ŞİNASİ TÜRÜN
Yüksek Lisans
İngilizce
1991
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiPROF.DR. BÜLENT ÖZGÜÇ
