Tez Arşivi

Tez aramanızı kolaylaştıracak arama motoru. Yazar, danışman, başlık ve özete göre tezleri arayabilirsiniz.


Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Anabilim Dalı

A hypergraph based framework for representing aggregated user profiles, employing it for a recommender system and personalized search through a hypernetwork method

Birleştirilmiş kullanıcı profilleri için hiperçizge-tabanlı bir çatı, bu çatının bir öneri sisteminde kullanımı ve bir hiperçizge ağ metodu ile kişileştirilmiş arama

Teze Git (tez.yok.gov.tr)

Bu tezin tam metni bu sitede bulunmamaktadır. Teze erişmek için tıklayın. Eğer tez bulunamazsa, YÖK Tez Merkezi tarama bölümünde 474951 tez numarasıyla arayabilirsiniz.

Özet:

In this thesis, we present a hypergraph based user modeling framework to aggregate partial profiles of the individual and obtain a complete, semantically enriched, multi-domain user model. We also show that the constructed user model can be used to support different personalization services including recommendation. We evaluated the user model against datasets consisting of user's social accounts including Facebook, Twitter, LinkedIn and Stack Overflow. The evaluation results confirmed that the proposed user model improves the quality of the constructed user model in every case. The results also showed that the improvement is higher for generic domain datasets than datasets representing the user in terms of one domain. We propose a recommender system which exploits the proposed framework as case study. The presented system is capable of displaying semantic user model, making domain based, cross domain and general recommendations, discovery of similar users, discovery of users that might be interested in a given item and computation of a user's interest on a given item. We also show that the proposed framework is extendible by extending the framework by adding context information. We also present another user modeling approach based on hypernetworks. The methodology is based on modelling the individual as hypernetwork with a multi-level approach. Initially, lower level terms are represented with hyperedges. Afterwards, higher level terms are modeled by reusing lower level hyperedges. Hypernetwork is clustered to obtain a dynamically tailored user profile. Basically, tailoring a user profile is achieved by filtering the clusters which we want to focus on. Other clusters are eliminated. Q-Analysis technique is used to cluster the hypernetwork. The technique clusters the hypernetwork at level q by listing hyperedges which share q vertices. Eccentricity is a metric which indicates the amount of new and unshared vertices introduced by a hyperedge. We optimize clustering algorithm by using eccentricity of clusters. We define an eccentricity threshold by trial and error. When there exist clusters which have eccentricity at least equal to this threshold, clustering iterations are terminated. The methodology is evaluated against one month long Yandex search logs which contain over 167 million records and slightly improved Yandex's non-personalized ranking which is already a well performing baseline.

Summary:

İçeriğin katlanarak artan miktarı kişiselleştirme hizmetleri gereksinimini kaçınılmaz kılıyor. Bu servisleri desteklemek için, kullanıcının profili, kişiselleştirme hizmetleri tarafından etkili bir şekilde kullanılabilecek bir model olarak oluşturulmalı ve saklanmalıdır. Genellikle kullanıcıların kısmi profilleri internette dağıtık olarak mevcuttur. Bu tezde, kişinin kısmi profillerini eksiksiz, anlamsal açıdan zenginleştirilmis, çoklu alanlı bir kullanıcı modeli elde etmek amacıyla birleştirmek için hyperçizge tabanlı bir kullanıcı modelleme çerçevesini sunuyoruz. Ayrıca, oluşturulan kullanıcı modelinin öneri sistemleri dahil değişik kişiselleştirme servislerini destekleyebileceğini gosteriyoruz. Kullanıcı modelini kullanıcının Facebook, Twitter, LinkedIn ve StackOverflow sosyal hesaplarından oluşturulmuş bir veri kümesine karşı değerlendirdik. Değerlendirme sonuçları, öne sürülen kullanıcı modelinin her durumda oluşturulan kullanıcı modeli kalitesini iyileştirdiğini doğruladı. Sonuçlar ayrıca iyileştirmenin genel veri kümelerinde, belli bir alana ait özel veri kümelerine göre daha yüksek olduğunu gösterdi. Örnek çalışma olarak, öne sürülen çerçeveyi kullanan bir öneri sistemi sunuyoruz. Sunulan sistem kullanıcının anlamsal profilini gösterebilir, alan tabanlı, alanlar arası ya da genel önerilerde bulunabilir, benzer kullanıcıları keşfedebilir, verilen bir objeye ilgi duyabilecek kullanıcıları keşfedebilir ve bir kullanıcının bir objeye olan ilgisini hesaplayabilir. Ayrıca bağlam bilgisi ile genişleterek, sunulan çerçevenin genişletilebilir olduğunu da gösteriyoruz. Ayrıca hiperağ tabanlı başka bir kullanıcı modelleme yaklaşımı da sunuyoruz. Yaklaşım, kişiyi çoklu-seviyeli bir yolla modellemeye dayanmaktadır.Önce alt seviye terimler ifade edilir. Sonrasında, daha üst seviye terimler, daha önce ifade edilmiş alt terimler yeniden kullanılarak modellenir. Hiperağ dinamik olarak uyarlanmış bir kullanıcı modeli elde edilmek amacıyla kümelenir. Temel olarak, uyarlanmış bir kullanıcı modeli elde edilmesi, odaklanmak istediğimiz kümeleri seçilmesiyle başarılır. Diğer kümeler elenir. Hiper-ağı kümelemek için Q-Analiz tekniği kullanılır. Teknik, q seviyesinde, q adet düğüm paylaşan hiperkenarları aynı kümede toplar. Egzantriklik, bir hiperkenarın sunduğu yeni ve paylaşılmayan düğümlerin miktarını ifade eden bir metriktir. Kümeleme algoritmasını, kümelerin egzantrikliğini kullanarak optimize ediyoruz. Deneme yanılma yöntemi ile bir egzantriklik eşiği tanımlıyoruz. Belirlenen bu egzantriklik eşiğine eşit veya daha yüksek egzantrikliğe sahip kümeler oluşmuş ise, kümeleme döngüsünü sonlandırıyoruz. Bu metod, 167 milyondan fazla kayıt içeren bir aylık uzun Yandex arama logları üzerinde denenmiştir ve çok iyi sonuç veren Yandex'in kişiselleştirilmemiş sıralama algoritmasını biraz iyileştirmiştir.