Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13087/1940
Title: Grup öneri sistemleri için yeni otomatik grup tanımlama ve tercih birleştirme yöntemleri
Other Titles: Novel automatic group identification and preference aggregation methods for group recommender systems
Authors: Bilge, Alper
Yalçın, Emre
Keywords: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
Computer Engineering and Computer Science and Control
Makine öğrenmesi
Machine learning
Veri madenciliği
Data mining
Yapay zeka
Artificial intelligence
Issue Date: 2020
Publisher: Eskişehir Teknik Üniversitesi
Abstract: Grup öneri sistemleri, grup üyelerinin bireysel tercihlerini bir araya getirerek, bireyler yerine bir kullanıcı grubuna tercih edilebilir ürünler/hizmetler önerebilme yeteneğine sahiplerdir. Kullanıcı gruplarının çoğunlukla önceden tanımlanmaması nedeniyle bu sistemlerde ilk görev genellikle kümeleme yaklaşımları ile benzer kullanıcılardan oluşan grupları otomatik olarak tanımlamaktır. Ancak, kullanıcıları gruplara ayırmak, öneri alanındaki içerik genişledikçe seyreklik ve karmaşıklık sorunlarıyla karşı karşıya kalmaktadır. Ayrıca, grup homojenliği ve büyüklüğü, grup üyelerini organize etmek ve memnuniyetlerini arttırmak için kritik unsurlardır. Bu tezde, gelişmiş grup formasyonu ve grup büyüklüğü kısıtlaması için yeni otomatik kullanıcı gruplama yaklaşımları önerilmektedir. Bununla birlikte, kullanıcıların derecelendirmelerini, onları temsil etmek için küçük ve yoğun bir vektöre dönüştüren iki farklı janr-tabanlı eşleme stratejisi önerilmektedir. Bu stratejiler hem gruplama yapmak için gerekli hesaplama süresini iyileştirir hem de veri seyrekliğin olumsuz etkilerini ortadan kaldırır. Son olarak, daha homojen bir grup oluşumu sağlamak için janr-tabanlı benzerliklerle birlikte demografik özelliklere dayalı benzerlikleri birlikte kullanan iki farklı strateji geliştirilmiştir. İki farklı popüler veri kümesinde yapılan deneyler, önerilen her yöntemin geleneksel rakibinden daha iyi performans sergilediğini göstermektedir. Grup önerileri genellikle gruptaki kullanıcıların tercihlerini birleştirerek tüm grubun eğilimlerini analiz eden birleştirme teknikleri kullanılarak üretilmektedir. Literatürde çeşitli birleştirme teknikleri bulunmasına rağmen, bu tekniklerin bazı zayıf yanları mevcuttur. Bu zayıflıkları gidermek ve grup önerisi kalitesini arttırmak amacıyla, bu tezde ilk olarak PwAvg olarak adlandırılan kişiliğe duyarlı bir birleştirme tekniği geliştirilmiştir. Bu teknik, beş temel kişilik özelliği kullanarak her bir üyenin etki derecesini belirler ve daha sonra bunları birleştirme aşamasında tercihleri ağırlıklandırmak için kullanır. Ayrıca, grup üyelerinin üzerinde fikir birliği sağladığı popüler ürünleri öne çıkarmak için iki temel birleştirme yöntemini birlikte uyum içinde kullanan iki farklı melezleştirilmiş teknik önerilmiştir. Son olarak, melezleştirilmiş tekniklerin üzerine inşa edilen ve AwU olarak adlandırılan gelişmiş bir birleştirme tekniği önerilmektedir. AwU tekniği, bilgi entropisini kullanarak grup üyelerinin derecelendirmelerinin dağılımını güçlü bir şekilde değerlendirir ve böylece maksimum sayıda memnun kişi sayısını sağlayan grup önerileri üretir. Farklı veri kümelerinde yapılan deneyler, önerilen birleştirme tekniklerinin mevcut yöntemlere kıyasla daha kaliteli grup önerileri sağladığını göstermiştir.
Group recommender systems are specialized in suggesting preferable products/services to a group of users rather than an individual by aggregating personal preferences of group members. In these systems, the initial task is to identify groups of similar users via clustering approaches, as user groups are usually not present. However, clustering users into groups commonly suffer from sparsity and complexity problems as the content in the domain proliferate. Moreover, group homogeneity and size are the critical parameters for organizing group members and enhancing their satisfaction. In this dissertation, novel automatic user grouping approaches are proposed for enhanced group formation and group size restriction. Furthermore, two different genre-based mapping strategy that transforms user ratings into a tiny and dense vector to represent users is proposed. These strategies both improve the required computation time for grouping and eliminate adverse effects of data sparsity. Finally, to construct more homogeneous group formation, two distinct strategies that utilize the genre-based similarities and the similarities based on demographic characteristics are developed. Experiments performed on two benchmark datasets demonstrate that each proposed method outperforms its traditional rival significantly. Group recommendations are commonly produced by utilizing aggregation techniques that analyze the propensities of the whole group by combining the preferences of the users in the group. Although there exist various aggregation techniques in the literature, they have some weaknesses. To overcome these weaknesses and improve the quality of group recommendations, In this dissertation, firstly, a personality-aware aggregation technique named as the PwAvg is developed. This technique determines the influence degree of each member in the group using five fundamental personality traits and then utilizes them to weight the preferences during the aggregation process. Also, to feature popular items on which group members provided a consensus, two different hybridized techniques that employ two prominent aggregation methods together in harmony is proposed. Finally, an enhanced aggregation technique built on top of the hybridized techniques and named as AwU is proposed. The AwU technique robustly considers the distribution of group members' ratings by utilizing the information entropy and consequently produces group referrals that ensure the maximum number of satisfied individuals. Experiments conducted on different datasets indicate that the proposed aggregation techniques provide more-qualified group recommendations compared to existing methods.
URI: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=fl0Kw4p1rmMDotyKRdYv1GaqZ_GSqeLnQdZCwh3uMFR1l9wYNK2UjvLYJZLVbwb3
https://hdl.handle.net/20.500.13087/1940
Appears in Collections:Tez Koleksiyonu

Show full item record

CORE Recommender

Page view(s)

32
checked on Oct 3, 2022

Google ScholarTM

Check


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.