Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13087/2450
Title: Adapting a recommendation system according to changing user consideration
Other Titles: Bir öneri sistemini değişen kullanıcı düşüncesine göre uyarlamak
Authors: Kaleli, Cihan
Safı, Jehan Kadhım Shareef Al
Keywords: Mühendislik Bilimleri
Engineering Sciences
Issue Date: 2021
Publisher: Eskişehir Teknik Üniversitesi
Abstract: Öneri sistemi, müşterilere mevcut seçenekler listesinden bir ürün seçerken kişiselleştirilmiş öneriler sunmak için kullanılmaktadır. Tavsiye için en sık kullanılan teknik işbirlikçi filtrelemedir. Bir işbirlikçi filtreleme algoritmasında, aynı eylemlere sahip kullanıcıları keşfetmede kullanılan benzerlik faktörü kullanıcı derecelendirmesine dayalı önerilerin kritik bileşenlerinden biridir ve tavsiye sistemi başka bir varlık ile ilgili hiçbir bilgiyi dikkate alınmamaktadır. Bu yöntemler başarılı tahminler üretebilse de, ölçeklenebilirlik sorunları, uygun komşuları bulma ve soğuk başlatma problemiyle yüzleşme gibi bazı dezavantajları bulunmaktadır. Bu nedenle, bu şekilde hesaplanan benzerlik, sınırlı bir dizi deneyimi paylaşan kullanıcı çiftleri için değişkendir ve belirli ortak beğenilerin olmaması nedeniyle çoğu kullanıcı için karar verilemez. Bu tez çalışmasında, değişken kullanıcı tercihlerini belirlemek ve doğru önerilerde bulunmak için farklı çözümler sunulmaktadır. İlk çözüm ile varlıkların benzerlik düzeyini belirlemeye odaklanan korelasyon ve eğime dayalı yeni bir komşu seçim yaklaşımı önerilmektedir. Bağlantılı varlıkların önem derecesine göre benzerlikleri ana hatlarıyla belirtilmiştir. Ek olarak, yakın komşulardan ilk erişilebilir derecelendirmeye dayalı tahmin üretmek için yeni bir model önerilmektedir. İkinci çözüm olarak yalnızca birkaç derecelendirme mevcut olduğunda bile her kullanıcının benzerliklerini belirleyerek öneri doğruluğunu artırmak için yeni bir kullanıcı benzerliği ölçüsü sunulmaktadır. Önerilen modelde, farklı derecelendirmelerin oranına ve bu farklılığın en yüksek değerine dayalı olarak yalnızca kullanıcıların ortak derecelendirmelerini dikkate alınmaktadır. Üçüncü yöntem ise daha doğru öneriler sağlamak için öğe türü özelliklerini kullanan bir kullanıcı benzerlik algoritması sunmaktadır. Öğe türü tercihlerine dayalı olarak kullanıcılar arasında bir ilişki kurar, mevcut kullanıcıların her türdeki en yakın komşularını tanımlar ve tüm türlerde aynı zevki paylaşan en yakın komşuların nihai listesini oluşturur. Son olarak, ürün derecelendirmeleri tahmin etmek için kesin bir tahmin süreci kullanılır. Ek olarak, yeni kullanıcının seçtiği öğe türü hakkında sorgulamaya yönelik "Derecelendirme İsteme" tekniği/uyarlanabilir yaklaşım yoluyla kullanıcı soğuk başlatma sorununa bir çözüm önerilmektedir. Ardından, aynı türden en iyi kullanıcılar, aktif kullanıcı için en yakın komşular olarak kabul edilir. Modelin doğruluğunu değerlendirmek için derecelendirme seviyesi ve derecelendirme seviyesinin kullanıcılar arasındaki güvenilirliği olarak iki ek değerlendirme kriteri önerilmektedir. Gerçek dünya veri setleri üzerinde çok sayıda test yapılmıştır. Deneysel sonuçlar, önerilen algoritmaların oldukça doğru ve güvenilir tahminler ürettiğini göstermektedir.
The recommendation system is used to provide personalized recommendations to clients when they are selecting a product from a list of available options. The most often used technique for recommendation is collaborative filtering. In a collaborative filtering algorithm, the similarity factor employed in discovering the users with the same actions is one of the critical components of recommendations based on user rating for items; it does not consider any other information related to the recommender system entity (user and item). Although these methods can produce successful predictions, they have some drawbacks, such as scalability issues, finding suitable neighbors, and facing the cold-starting problem. Thus, the similarity computed in this manner is volatile for user pairs sharing a limited set of experiences and is undecidable for most users due to the absence of specified common tastes. In this dissertation, different solutions are presented to identify fluctuating user preferences and provide accurate recommendations. The first solution proposes a novel neighbor selection approach based on correlation and slope that focuses on determining the relevance of entities. It is outlined the connected entities' similarities according to importance degree. Additionally, we proposed a new model for rating prediction based on the first accessible rating from nearby neighbors. The second solution introduces a new user similarity measure to promote recommendation accuracy by determining each user's similarities even when only a few ratings are available. The suggested model considers only users' common ratings based on the proportion of dissimilar ratings and the highest value of this dissimilarity. The third method provides a user similarity algorithm that uses item genre characteristics to provide more accurate suggestions. It establishes a relationship between users based on item genre preferences, identifies the current users' nearest neighbors in each genre, and generates a final list of nearest neighbors who share the same taste across all genres. Finally, it uses a definite prediction process to forecast ratings for goods. Additional to suggest a solution to the user cold-start problem via the "Ask-to-rate" technique/adaptive approach of inquiring about the new user's chosen item genre. Then, top users from the same genre are considered nearest neighbors for the active user. To assess the model's accuracy, we suggest two additional assessment criteria: the rating level and the rating level's reliability among users. Numerous tests on real-world data sets have been undertaken. The experimental results demonstrate that the suggested algorithms generate highly accurate and reliable predictions.
URI: https://hdl.handle.net/20.500.13087/2450
https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=v7BkNnnepTnbhn8rNR77LVLjtMNi9_0YBVOAJn-ROK8RLWD2kTs2NEBvpDsuE8dk
Appears in Collections:Tez Koleksiyonu

Show full item record

CORE Recommender

Page view(s)

26
checked on Oct 3, 2022

Google ScholarTM

Check


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