Derin öğrenme yaklaşımları ile çoklu-kriterli öneri sistemlerinin problemlerini çözmek

Abstract

Artan İnternet kullanımıyla birlikte kullanıcılar kişisel zevklerine uygun ürünlere/hizmetlere erişmekte zorlanırlar. Geleneksel öneri sistemleri bu durumla başa çıkabilmede etkili yöntemlerdendir. Ancak günümüzde kullanıcılar geleneksel öneri sistemlerindekinin aksine ürünler/hizmetler hakkında farklı kriterler bazında değerlendirmelerde bulunurlar. Çoklu-kriterli öneri sistemleri, kullanıcılarına farklı kriterler altında değerlendirme yapmalarına olanak sunan geleneksel öneri sistemi uzantılarıdır. Çoklu-kriterli öneri sistemlerinde üretilen tahminlerin doğruluğu, kullanıcı memnuniyetini ve bu sistemlerin sürdürülebilirliğini etkiler. Ayrıca artan kriter sayısına bağlı olarak çoklu-kriterli öneri sistemlerinde veri seyrekliği problemi daha belirgin bir sorun haline dönüşmekte ve artan veri miktarından dolayı makul zamanda tahminler üretmek zorlaşmaktadır.Derin öğrenme tekniklerinin heterojen ve büyük boyutlu veriden gizli, kompleks ve lineer olmayan özellikleri çıkarmadaki başarısı bu tekniklerin geleneksel öneri sistemlerinde sıklıkla kullanılmasını sağlamıştır. Bu tez kapsamında çoklu-kriterli öneri sistemlerinin temel problemlerinden olan doğruluk, veri seyrekliği ve ölçeklenebilirlik sorunlarını çözebilmek amacıyla otokodlayıcılara dayanan yeni yaklaşımlar önerilmiştir. Gerçek veri setleri üzerinden gerçekleştirilen deneysel çalışmalar ve analizler, önerilen yöntemlerin mevcut öncü çoklu-kriterli öneri sistemi algoritmalarına göre belirtilen problemlerin çözümünde daha etkili olduklarını göstermiştir.Anahtar Sözcükler: Çoklu-kriterli öneri sistemleri, Doğruluk, Veri seyrekliği, Ölçeklenebilirlik, Derin öğrenme

With increasing usage of the Net, users have difficulties in accessing products/services which matching their personal tastes. Traditional recommender systems are effective methods to cope with this situation. However, unlike traditional recommender systems, users have evaluated products/services considering different criteria recently. Multi-criteria recommender systems are extensions of traditional recommender systems that allow users to evaluate considering different criteria. Accuracy of produced predictions by multi-criteria recommender systems affects users' satisfaction and sustainability of these systems. Furthermore, due to the increasing number of criteria, sparsity becomes a more prominent problem for multi-criteria recommender systems and producing predictions at a reasonable time becomes difficult due to the increasing amount of data.The success of deep learning techniques in extracting hidden, complex and nonlinear features from heterogeneous and big data has led to the frequent usage of these techniques in traditional recommender systems. In this dissertation, new approaches based on autoencoders have been proposed in order to solve main problems of multicriteria recommender systems such as accuracy, sparsity and scalability. Experimental works and analyzes performed on real data sets have shown that the proposed methods are more effective than the existing state-of-the-art multi-criteria recommendationtechniques in solving the specified problems.Keywords: Multi-criteria recommender systems, Accuracy, Sparsity, Scalability, Deep learning