İşbirlikçi tabanlı tavsiye sistemlerinde yeni bir matris ayrışım tekniği ; A novel matrix decomposition technique in collaborative based re-commender systems
Gespeichert in:
| Titel: | İşbirlikçi tabanlı tavsiye sistemlerinde yeni bir matris ayrışım tekniği ; A novel matrix decomposition technique in collaborative based re-commender systems |
|---|---|
| Autoren: | Gündüz, Selçuk |
| Weitere Verfasser: | Yurttakal, Üyesi Ahmet Haşim, Horasan, Üyesi Fahrettin |
| Verlagsinformationen: | Afyon Kocatepe Üniversitesi |
| Publikationsjahr: | 2026 |
| Bestand: | Afyon Kocatepe University Institutional Repository (DSpace@AKU) |
| Schlagwörter: | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control |
| Beschreibung: | Tavsiye sistemleri, kullanıcıların herhangi bir unsura vereceği değerlendirmelerin önceden doğru tahmin edilmesini hedefleyen sistemlerdir. Tavsiye sistemlerinde kullanılan tekniklerden birisi olan işbirlikçi filtreleme yöntemi, kullanıcıların ve öğelerin ortak özelliklerini dikkate almaktadır. İşbirlikçi filtreleme tabanlı tavsiye sistemlerinde, matris ayrıştırmaları en çok kullanılan tekniklerdendir. Matris ayrıştırmalarında, Tekil Değer Ayrıştırma (TDA) ve Negatif Olmayan Matris Faktorizasyonu (NOMF) tabanlı yaklaşımlar yaygın olarak kullanılmaktadır. Bu yöntemler, ölçeklenebilirlik sorunuyla başa çıkmada oldukça iyi olmalarına rağmen, karmaşıklıkları yüksektir. Bu tez çalışmasında, önerilerin doğruluğunu ve kalitesini artırmak için alternatif bir teknik olarak Kesikli ULV ayrıştırma tekniği önerilmiştir. Önerilen yöntem, yaygın olarak kullanılan erişime açık veri kümeleri ile test edilmiştir. Modelin performansını değerlendirmek için standart metrikler kullanılmıştır. Kesikli ULV tüm deneylerde, mevcut matris ayrıştırma tekniklerinden daha iyi performans göstermiştir. Ayrıca, önerilen yöntem soğuk çalıştırma ve seyrekliği azaltma problemlerine çözüm üretmektedir. ; Recommender systems are systems that aim to accurately predict the evaluations that users will give to any item in advance. Collaborative filtering method, which is one of the techniques used in recommender systems, takes into account the common characteristics of users and items. In collaborative filtering based recommender systems, matrix decomposition is one of the most commonly used techniques. In matrix decomposition, Singular Value Decomposition (SVD) and Non-Negative Matrix Factorisation (NMF) based approaches are widely used. Although these methods are very good at dealing with the scalability problem, their complexity is high. In this thesis, the Truncated-ULV decomposition (T-ULV) technique is proposed as an alternative technique to improve the accuracy and quality of the recommendations. The proposed method is tested with widely used ... |
| Publikationsart: | master thesis |
| Sprache: | Turkish |
| Relation: | Tez; https://hdl.handle.net/11630/14166; 54; 853756 |
| Verfügbarkeit: | https://hdl.handle.net/11630/14166 https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=cr4SkWLaRMhkDRBjqthpsaOvRjXCZcQsD-5A_CG0MHnbi7B-XFC_KCtV3npPq8EF |
| Rights: | info:eu-repo/semantics/openAccess |
| Dokumentencode: | edsbas.C8D7A86C |
| Datenbank: | BASE |
Nájsť tento článok vo Web of Science | Abstract: | Tavsiye sistemleri, kullanıcıların herhangi bir unsura vereceği değerlendirmelerin önceden doğru tahmin edilmesini hedefleyen sistemlerdir. Tavsiye sistemlerinde kullanılan tekniklerden birisi olan işbirlikçi filtreleme yöntemi, kullanıcıların ve öğelerin ortak özelliklerini dikkate almaktadır. İşbirlikçi filtreleme tabanlı tavsiye sistemlerinde, matris ayrıştırmaları en çok kullanılan tekniklerdendir. Matris ayrıştırmalarında, Tekil Değer Ayrıştırma (TDA) ve Negatif Olmayan Matris Faktorizasyonu (NOMF) tabanlı yaklaşımlar yaygın olarak kullanılmaktadır. Bu yöntemler, ölçeklenebilirlik sorunuyla başa çıkmada oldukça iyi olmalarına rağmen, karmaşıklıkları yüksektir. Bu tez çalışmasında, önerilerin doğruluğunu ve kalitesini artırmak için alternatif bir teknik olarak Kesikli ULV ayrıştırma tekniği önerilmiştir. Önerilen yöntem, yaygın olarak kullanılan erişime açık veri kümeleri ile test edilmiştir. Modelin performansını değerlendirmek için standart metrikler kullanılmıştır. Kesikli ULV tüm deneylerde, mevcut matris ayrıştırma tekniklerinden daha iyi performans göstermiştir. Ayrıca, önerilen yöntem soğuk çalıştırma ve seyrekliği azaltma problemlerine çözüm üretmektedir. ; Recommender systems are systems that aim to accurately predict the evaluations that users will give to any item in advance. Collaborative filtering method, which is one of the techniques used in recommender systems, takes into account the common characteristics of users and items. In collaborative filtering based recommender systems, matrix decomposition is one of the most commonly used techniques. In matrix decomposition, Singular Value Decomposition (SVD) and Non-Negative Matrix Factorisation (NMF) based approaches are widely used. Although these methods are very good at dealing with the scalability problem, their complexity is high. In this thesis, the Truncated-ULV decomposition (T-ULV) technique is proposed as an alternative technique to improve the accuracy and quality of the recommendations. The proposed method is tested with widely used ... |
|---|