Modelling user habits and providing recommendations based on hybrid television standards using artificial neural networks together with genetic algorithms
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bu tezde, yapay zekâ ve televizyon alanında geliştirilen son teknolojiler ile akıllı öneriler yapan yeni bir yöntem sunulmuştur. Bunu yapabilmek için, genetik algoritma (GA), yapay sinir ağı (YSA) ve Karma Yayın Genişbant Televizyon (KygTV) birleştirilerek kullanıcının televizyon izleme alışkanlıkları elde edilmiş ve profiller yaratılmıştır. Sonrasında bu profilleme baz alınarak kullanıcıya TV programları önerilmiştir.Bir KygTV uygulaması geliştirilerek gerçek televizyon izleme verisi toplanmıştır. Bu veri daha sonra kullanıcıları kümelemek için kullanılmıştır. Küme sayısı, bu tezde önerilen bir yöntem olan `GA ile Kontrollü Kümeleme (GAKK)` ile bulunmuştur. GAKK ile oluşturulan her küme için, ilgili kümenin kullanıcılarının izleme alışkanlıklarını öğrenmek üzere ayrı bir YSA tasarlanmıştır. Ağırlık dizeylerinin ilk değerleri de GA ile belirlenmiştir. Oluşturulan model sonrasında kullanıcılara aynı KygTV uygulaması ile öneriler sunmak için kullanılmıştır.Bu çalışmanın yeniliği birkaç alanda yer almaktadır. Bu, asıl olarak yayıncı tarafı ile ilgili bir yöntem olduğu ve KygTV yaygınca kabul edilmiş açık bir tüketici elektroniği standardı olduğu için önerilen bu yöntem alıcıdan bağımsızdır ve farklı alıcı markaları kullanan birçok kişiye ulaşabilir. Bu çalışmanın ana motivasyonu da budur.Kullanıcıları kümelendirmek YSA bazlı öğrenme kısmını geliştirmiştir. Bütün kullanıcıları aynı YSA'ya atamaktansa, açık yollarla elde edilen tercih edilen tür bilgisi kullanılarak kümeleme yöntemi kullanılmıştır. GA, kümeleme seçeneklerinden biridir, fakat iyi bilinen K-ortalamalar kümeleme algoritması ile kıyaslandığında daha iyi bir yaklaşım olarak kendini kabul ettirmiştir. GA ile kümelemede cezalandırıcı bir dönüşüm uygulamak, işlem maliyeti ve zamanı açısından önemli bir değişken olan YSA ağ boyutunu kontrol altında tutmaktadır. Benzer şekilde, YSA eğitimine rasgele değerler yerine önceden işlenmiş ağırlıklarla başlamak verimi arttırmaktadır. In this thesis, a novel method to make smart recommendations is proposed utilizing artificial intelligence and the latest technologies developed for the television area. For this purpose, genetic algorithms (GAs), artificial neural networks (ANNs), and Hybrid Broadcast Broadband Television (HbbTV) are combined to get the users' television viewing habits and to create profiles. Then, television programs are recommended to the users based on that profiling. An HbbTV application is developed to collect real television watching data from the users. Then, these data are employed to cluster users. The number of clusters is found by `Controlled Clustering with Genetic Algorithms (CCGA)`, a method proposed in this thesis. For each cluster formed by CCGA, a separate ANN is designed to learn the viewing habits of the users of the corresponding cluster. The weight matrices are initialized also by GA. The constructed model is then used to provide recommendations to the users again using the same HbbTV application.The novelty of this work lies in several areas. Since it is mainly a broadcaster side method and HbbTV is a widely accepted public standard, this proposal is device-agnostic and can reach many people using different device brands, which is the main motivation of this study.Clustering the users enhances the learning part, which is based on the ANN. Instead of assigning all users to the same ANN, clustering is introduced by utilizing preferred genre information obtained explicitly. GA is one of the clustering alternatives but it proves itself as a better approach when compared to the well-known K-means clustering algorithm. Introducing a penalizing transformation in clustering with GA keeps the ANN network size under control which is an important parameter in terms of processing cost and time. Similarly, starting the ANN learning with pre-processed weights rather than random values improves the performance.
Collections