Öneri Sistemlerinde Otokodlayıcı Tabanlı Derin Öğrenme Yaklaşımı

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: Türkçe

Öğrenci: Uğuray Durdu

Danışman: Gülder Kemalbay

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Günümüzde artan internet kullanımı ile kullanıcıların öğeler ile etkileşime geçtikleri sosyal medya ve e-ticaret siteleri gibi birçok platform, öneri sistemleri sayesinde işlemesi zor ve büyük boyutlu veri seti içerisinden kullanıcılara kişiselleştirilmiş öneriler sunmaktadır. Kişiselleştirilmiş öneriler için sıklıkla kullanılan işbirlikçi öneri sistemlerinde, kullanıcı-öğe etkileşiminin az olduğu durumlarda öneri performansı düşerken etkileşimin hiç olmadığı durumlarda ise öneri yapılamamaktadır. Bu tez çalışmasında, işbirlikçi öneri sistemlerinde ortaya çıkan veri seyrekliği ve soğuk başlangıç problemlerini azaltmak için otokodlayıcı tabanlı derin öğrenme yaklaşımı kullanılmıştır. Kullanılan yaklaşım, Zhang ve arkadaşları tarafından 2017 yılında ortaya konulan basit yarı-otokodlayıcı yapısının derin yarı-otokodlayıcı olarak geliştirilmiş halidir. Geliştirilen derin ağ mimarisi, Kuchaiev ve Ginsburg tarafından 2017 yılında önerilen yeniden beslemeli algoritma ile eğitilmiştir. Tez çalışmasının yöntemi, literatürde mevcut olan Movielens 1M veri seti üzerinde uygulanmıştır. Tez çalışmasının uygulama kısmı, Python programlama dilinde TensorFlow kütüphanesi aracılığı ile gerçekleştirilmiştir. Elde edilen sonuçlara göre, geleneksel öneri sistemleri yerine otokodlayıcı tabanlı derin öğrenme yaklaşımı ile oluşturulan öneri sisteminin veri seyrekliği problemini azalttığı ve modele dâhil edilen yan bilgiler sayesinde herhangi bir öğe ile etkileşimi olmayan yeni bir kullanıcı için soğuk başlangıç problemini azaltarak bir öneri yapılabileceği gösterilmiştir.