Segment-aware hyperbolic embeddings for personalized job recommendation systems
Segment-duyarlı hiperbolik gömmeler ile kişiselleştirilmiş iş önerisistemleri
- Tez No: 952933
- Danışmanlar: DOÇ. DR. YÜCEL BATU SALMAN
- Tez Türü: Doktora
- Konular: Matematik, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mathematics, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu doktora tezi, mevcut yaklaşımlardaki iki büyük zorluğu ele alan“Segment-Farkında LorentzFM”adlı kişiselleştirilmiş iş tavsiye sistemleri için yeni bir çerçeve sunmaktadır: kullanıcı davranışlarındaki heterojenlik ve iş piyasası ilişkilerinin hiyerarşik doğası. Davranışsal kullanıcı segmentasyonunu hiperbolik gömülerle bütünleştirerek, önerilen model, çeşitli kullanıcı profilleri ve iş kategorileri genelinde tavsiye kalitesini önemli ölçüde artırmaktadır. Kariyer.net'teki 103.896 kullanıcıdan elde edilen 1,6 milyondan fazla iş başvurusunun kapsamlı veri analizi aracılığıyla, benzersiz başvuru davranışlarına sahip üç farklı kullanıcı segmenti belirledik: hedefli başvuru kalıpları sergileyen“İdeal Adaylar”, orta düzeyde keşif gösteren“Dengeli Adaylar”ve son derece çeşitli başvuru kalıpları gösteren“Maymun İştahlı Adaylar”. Segmentasyon yaklaşımımız, kullanıcıları etkili bir şekilde kategorize etmek için başvuru çeşitliliği, tutarlılık metrikleri ve entegre puanlama içermektedir. Temel yenilik, kullanıcıları ve işleri geleneksel Öklid uzayı yerine Lorentz hiperbolik uzayında temsil ederek, modelin iş piyasalarındaki doğal hiyerarşik ilişkileri yakalamasına olanak sağlamasıdır. Ayrıca, hiyerarşik iş yapısı içindeki karmaşık etkileşim kalıplarını yakalamak için kullanıcı özellikleri, iş özellikleri ve referans orijin noktası arasındaki ilişkileri ölçen yeni bir üçgen puanlama mekanizması sunuyoruz. Deneysel sonuçlar, Segment-Farkında LorentzFM'in değerlendirme metrikleri genelinde üstün performans göstererek (AUC-ROC: 0,9718, Hassasiyet: 0,9045, Geri Çağırma: 0,9327, F1: 0,9184) temel modelleri önemli ölçüde geride bıraktığını göstermektedir. Model, soğuk başlangıç senaryolarında dikkat çekici bir sağlamlık göstermekte ve farklı kullanıcı segmentleri genelinde kişiselleştirme ile genelleme arasında etkili bir denge sağlamaktadır.
Özet (Çeviri)
This doctoral thesis introduces“Segment-Aware LorentzFM,”a novel framework for personalized job recommendation systems that addresses two major challenges in current approaches: heterogeneity in user behaviors and the hierarchical nature of job market relationships. By integrating behavioral user segmentation with hyperbolic embeddings, the proposed model significantly enhances recommendation quality across diverse user profiles and job categories. Through comprehensive data analysis of over 1.6 million job applications from 103,896 users on Kariyer.net, we identified three distinct user segments with unique application behaviors:“Ideal Candidates”exhibiting targeted application patterns,“Balanced Seekers”showing moderate exploration, and“Fickle-Minded Seekers”demonstrating highly diverse application patterns. Our segmentation approach incorporates application diversity, consistency metrics, and integrated scoring to effectively categorize users. The key innovation lies in representing users and jobs in Lorentz hyperbolic space rather than traditional Euclidean space, allowing the model to naturally capture the inherent hierarchical relationships in job markets. We also introduce a novel triangle scoring mechanism that measures relationships between user attributes, job attributes, and a reference origin point to capture complex interaction patterns within the hierarchical job structure. Experimental results demonstrate that Segment-Aware LorentzFM significantly outperforms baseline models, achieving superior performance across evaluation metrics (AUC-ROC: 0.9718, Precision: 0.9045, Recall: 0.9327, F1: 0.9184). The model shows remarkable robustness in cold-start scenarios and effectively balances personalization with generalization across different user segments.
Benzer Tezler
- SDN aware DASH client architecture
Yazılım tanımlı ağ teknolojisi farkındalıklı DASH istemci mimarisi
SİMGE GİZEM ÖZCAN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiUluslararası Bilgisayar Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. MÜGE SAYIT
- An adaptive and context-aware text segmentation method for information retrieval
Bilgi erişimi için veriye dayalı ve bağlama duyarlı metin segmentasyon yöntemi
BURÇE ŞİRİN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERDAR ARSLAN
- Context-aware remote sensing data processing for improvement of agricultural predictions
Bağlam farkındalıklı uzaktan algılama veri entegrasyonu ile tarımsal tahminlerin iyileştirilmesi
AYDA FITRIYE AKTAŞ
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- A time aware behavioral clustering for retail customer segmentation: A methodological improvement over CLTV-based classification
Retail customer segmentation: A methodological improvement over CLTV-based classification
MOMPOLOKI BANYANA TLHALEFANG
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ŞENOL
- Türkiye'de pazarı bulunan benzer segmentteki elektrikli otomobillerin kullanıcı-ürün etkileşimi açısından değerlendirilmesi
An evaluation of electric vehicles in the same market segment in Türkiye in terms of user-product interaction perspective
FATMA NUR GÖKDENİZ
Doktora
Türkçe
2026
Endüstri Ürünleri TasarımıGazi ÜniversitesiEndüstriyel Tasarım Ana Bilim Dalı
PROF. HÜSEYİN GÜÇLÜ YAVUZCAN