Tez Arşivi

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


Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Bölümü

A singular value decomposition approach for recommendation systems

Öneri sistemleri için tekil değer ayrışımı yaklaşımı

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 268485 tez numarasıyla arayabilirsiniz.

Özet:

Son yıllarda meydana gelen teknolojik gelişmeler sonucu, veri analizi şirketler ve araştırmacılar açısından son derece önemli bir alan haline gelmektedir. Şirketler, müşterileri ile ilgili ellerinde varolan bilgileri analiz ederek ve ileriki kararlarını alırken bu analizlerine göre hareket ederek karlarını artırmaya çalışmaktadır. Şirketlerin bu ihtiyaçlarına paralel olarak, araştırmacılar veriyi daha doğru ve hızlı işleyebilmek için farklı metodolojiler geliştirmektedir.Öneri sistemleri bu açılardan en popüler ve en yaygın veri analiz yazılımlarıdır. Bir öneri sistemi mevcut veriye bilgi işleme tekniklerini uygulayıp analiz ederek, kullanıcılarına kisiselleştirilmiş ürün önerileri sunar. Ancak özellikle internetin yaygınlaşması ile müşteri ve ürün sayısındaki büyük artışlar öneri sistemleri için bazı problemleri beraberinde getirmektedir. Bu problemler yüksek kalitede önerilerin yapılması ve saniyede milyonlarca öneri isteğine cevap verebilmektir.Öneri sistemlerinin performansını artırmaya yönelik, araştırmacılar tarafından birçok metod önerilmektedir. Boyut indirgemeye dayalı Tekil Değer Ayrışımı (TDA), son derece yüksek kalitede öneriler üreten fakat hesaplama açısından pahalı matris işlemleri gerektiren bir yöntemdir. Bu tez kapsamında TDA'ya dayalı öneri tekneğine, kullanıcıya ve ürünlere göre kategoriler oluşturma, ve bu kategorileri öneri sürecine dahil etme işlemi önerilmekte ve bu eklemenin olumlu sonuçları deneyler ile doğrulanmaktadır. Bunun yanında, klasik iki boyutlu TDA tekniğine, üçüncü boyut olarak etiketler adapte edilmiş ve deneysel sonuçlar raporlanmıştır. Bu iyileştirmeler daha doğru ve genişletilebilir öneri sistemleri oluşturmayı sağlamıştır.

Summary:

Data analysis has become a very important area for both companies and researchers as a consequence of the technological developments in recent years. Companies are trying to increase their profit by analyzing the existing data about their customers and making decisions for the future according to the results of these analyses. Parallel to the need of companies, researchers are investigating different methodologies to analyze data more accurately with high performance.Recommender systems are one of the most popular and widespread data analysis tools. A recommender system applies knowledge discovery techniques to the existing data and makes personalized product recommendations during live customer interaction. However, the huge growth of customers and products especially on the internet, poses some challenges for recommender systems, producing high quality recommendations and performing millions of recommendations per second.In order to improve the performance of recommender systems, researchers have proposed many different methods. Singular Value Decomposition (SVD) technique based on dimension reduction is one of these methods which produces high quality recommendations, but has to undergo very expensive matrix calculations. In this thesis, we propose and experimentally validate some contributions to SVD technique which are based on the user and the item categorization. Besides, we adopt tags to classical 2D (User-Item) SVD technique and report the results of experiments. Results are promising to make more accurate and scalable recommender systems.