Tavsiye sistemlerinde node2vec gömme ve sinirsel işbirlikçi filtreleme kullanımı
Recommender systems using node2vec embedding and neural collaborative filtering
- Tez No: 634790
- Danışmanlar: DR. ÖĞR. ÜYESİ TOLGA AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: tavsiye sistemi, sinirsel işbirlikçi filtreleme, node2vec, graf gömme, recommender systems, neural collaborative filtering, node2vec, graph embedding
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu tezde, tavsiye sistemlerinin geliştirilmesinde kullanılan farklı tekniklerin kapsamlı bir çalışması sunulmaktadır. Çalışmamızda, farklı veri tiplerinin tavsiye sistemlerine nasıl dâhil edildiği konusu da araştırılmıştır. Bu tezde, sinirsel işbirlikçi filtrelemeyle birleştirilmiş grafsal bir veri temsili sunularak node2vec-NCF adlı bir model sunulmuş ve tavsiye etme süreçleri gerçekleştirilmiştir. Yöntem: Node2vec olarak bilinen bir graf gömme yöntemi kullanarak, kullanıcı ve öğe varlıklarını verilerin yapısal bütünlüğünü yakalayacak bir şekilde temsil ederiz. Bu, daha sonra, verilen bir kullanıcı-öğe çiftinin derecesini tahmin eden bir sinirsel işbirlikçi filtreleme çerçevesine girdi olarak kullanılmaktadır. Bulgular: Modelimiz doğruluk metriklerinin yanı sıra hassasiyet ve hatırlama metriklerinde geleneksel yöntemlerden daha iyi performans göstermiştir. Modelimizin performansı, node2vec gömme yönteminin veri setinde bulunan gizli özellikleri doğru yakalama yeteneğiyle ilişkilendirilebilir. Sonuç: Modelimiz geleneksel tavsiye sistemi algoritmalarından daha iyi performans göstermiştir. Model, işbirlikçi filtreleme için derecelendirme değerlerinden yararlansa da, metin ve görüntü gibi çeşitli veri türlerini içerecek veya karma (hibrit) bir sistemin bir parçası olacak şekilde genişletilme potansiyeline sahiptir.
Özet (Çeviri)
Purpose: In this thesis, we present a comprehensive study of the different techniques used in recommender systems development. We also looked at how different datatypes are incorporated into recommender systems. We present a graph data representation combined with neural collaborative filtering to perform recommendations, called the node2vec-NCF model. Method: Using a graph embedding method known as node2vec we represent user and item entities in a manner that captures structural integrity of the data. This is then used as input to a neural collaborative filtering framework that predicts the rating for a given user-item pair. Finding: Based on the evaluation of our model using accuracy and performance metrices (precision and recall), our model performed better than traditional methods. The performance of our model can be attributed to the ability of the node2vec embedding method to truly capture hidden features found in the dataset. Results: Our model performs better than traditional recommender system algorithms. Even though the model makes use of rating values for collaborative filtering, it has the potential to be extended to include varied data types such as images, text or included as part of a hybrid system.
Benzer Tezler
- The bid/no-bid framework utilizing Node2Vec for international contractors
Uluslararası yükleniciler için Node2Vec ile teklif/red çerçevesi oluşturulması
HALİT FERDİ AVCI
Yüksek Lisans
İngilizce
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ONUR BEHZAT TOKDEMİR
- Enriching predictive models using graph embeddings
Tahminleme modellerinin çizge gömmeleri kullanılarak zenginleştirilmesi
YAREN YILMAZ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Investigation of embedding methods on gnn basedrecommender models
Çizge sinir ağı temelli öneri sistemleriüzerinde kullanılan gömme tipinin etkisinin araştırılması
MUSTAFA AKER
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN
- A comparison of LSTM and GNN based session recommendation systems
LSTM ve GNN tabanlı oturum öneri sistemlerinin karşılaştırılması
ÇAĞRI EMRE YILDIZ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN
- Tavsiye sistemlerinde veri bütünleştirme
Data integration in recommendation systems
EMRAH EKMEKÇİLER
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN OĞUL