Veri Seyrekliği ve Ölçeklenebilirlik Problemlerini Gidermek İçin Derin Otomatik Kodlayıcı Tabanlı Yeni Bir Tavsiye Sistemi Modeli
Yükleniyor...
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Tavsiye sistemleri kullanıcının karar vermesini kolaylaştırmak amacıyla oluşturulan yapılardır. Bu
yapıda kullanıcının geçmiş etkinlikleri, benzer kullanıcılar veya benzer öğeler gibi bilgiler kullanılarak
mevcut kullanıcıya uygun ürün tavsiyesi sunulur. İnternet ve e-ticaret sitelerinin kullanımının artması ile
tavsiye sistemleri popüler bir çalışma alanı haline gelmiştir. Son zamanlarda tavsiye sistemlerinin
geliştirilmesi için, diğer bir popüler çalışma alanı olan derin öğrenme metotlarından Otomatik
Kodlayıcıların kullanımı yaygınlaşmıştır. Günümüzde büyümeye devam eden veri miktarı işlenmeye
ihtiyaç duymaktadır. Otomatik Kodlayıcılar giriş verisinden gizli özellikleri modelleyerek bu ihtiyacı
karşılar. Zor ve karmaşık problemlerin çözümünü mümkün kılan Otomatik Kodlayıcıların simetrik ağ
yapısı oy tahmini için kullanılmaktadır. Tavsiye sistemlerinde kullanılan bu mimarilerin girişi, ürüne
verilen oyları içeren tek boyutlu bir vektör şeklinde olmaktadır. Ancak bilgisayarlı görme alanında, iki
boyutlu resim bilgilerini işleyen başarılı Derin Otomatik Kodlayıcı mimarileri bulunmaktadır. Özellikle
gürültülü/eksik resimler için bu model tercih edilmekte, resmin daha net ve anlamlı şeklinin elde edilmesi
için kullanılmaktadır. Bu motivasyondan yola çıkılarak, ürünlerin oylarını içeren vektöre, her bir ürüne ait
tür bilgisi de eklenerek iki boyutlu bir giriş matrisi elde edilmiş ve bu matrisi giriş olarak kullanan yeni bir
Derin Otomatik Kodlayıcı Tabanlı Tavsiye Sistemi (DAERec - Deep AutoEncoder based Recommender
System) modeli sunulmuştur. Bilgimiz dahilinde iki boyutlu giriş alan derin otomatik kodlayıcı tabanlı bir
tavsiye sistemi literatürde bulunmamaktadır. Sunulan model MovieLens100K ve MovieLens1M veri
kümeleri üzerinde test edilmiştir. DAERec yöntemi her iki veri setinde de kesinlik, geri çağırma ve F1
skoru değerlendirme kriterleri için 0,5’in üzerinde sonuçlar elde etmiştir. Movielens100k veri kümesi
üzerinde en iyi ortalama mutlak hata değeri 0,635, Movielens1m üzerinde 0,656’dır. Literatürde bulunan
on bir farklı yöntemle karşılaştırılan önerilen DAERec yöntemi, diğer yöntemlerin sonuçlarına kıyasla
önemli bir fark ile en isabetli tavsiyeleri üretmiştir.
Recommendation systems are structures created to facilitate user decision-making. In this structure, a suitable product recommendation is offered to the current user by using information such as the user's past activities, similar users or similar items. With the increased use of the Internet and e-commerce sites, recommendation systems have become a popular field of study. Recently, the use of Autoencoders, another popular area of study, of deep learning methods, has become widespread for the development of recommender systems. The amount of data that continues to grow today needs processing. Autoencoders meet this need by modeling hidden features from the input data. The symmetrical network structure of Autoencoders, which makes it possible to solve difficult and complex problems, is used for vote estimation. The input of these architectures used in recommendation systems is in the form of a one-dimensional vector containing the votes cast for the product. However, in the field of computer vision there are successful Deep Auto-Encoder architectures that process two-dimensional picture information. This model is preferred especially for noisy/incomplete pictures, and it is used to obtain a clearer and more meaningful form of the picture. Based on this motivation, a two-dimensional input matrix was obtained by adding the type information of each product to the vector containing the votes of the products, and a new Deep AutoEncoder Based Recommender System (DAERec) model was presented using this matrix as an input. . To the best of our knowledge, a deep automatic encoder based recommendation system that takes two-dimensional input is not available in the literature. The presented model has been tested on the MovieLens100K and MovieLens1M datasets. The DAERec method achieved results above 0,5 for precision, recall and F1 score evaluation criteria in both datasets. The best average absolute error value on the Movielens100k dataset is 0,635, on the Movielens1m it is 0,656. The proposed DAERec method, which was compared with eleven different methods in the literature, produced the most accurate recommendations with a significant difference compared to the results of other methods.
Recommendation systems are structures created to facilitate user decision-making. In this structure, a suitable product recommendation is offered to the current user by using information such as the user's past activities, similar users or similar items. With the increased use of the Internet and e-commerce sites, recommendation systems have become a popular field of study. Recently, the use of Autoencoders, another popular area of study, of deep learning methods, has become widespread for the development of recommender systems. The amount of data that continues to grow today needs processing. Autoencoders meet this need by modeling hidden features from the input data. The symmetrical network structure of Autoencoders, which makes it possible to solve difficult and complex problems, is used for vote estimation. The input of these architectures used in recommendation systems is in the form of a one-dimensional vector containing the votes cast for the product. However, in the field of computer vision there are successful Deep Auto-Encoder architectures that process two-dimensional picture information. This model is preferred especially for noisy/incomplete pictures, and it is used to obtain a clearer and more meaningful form of the picture. Based on this motivation, a two-dimensional input matrix was obtained by adding the type information of each product to the vector containing the votes of the products, and a new Deep AutoEncoder Based Recommender System (DAERec) model was presented using this matrix as an input. . To the best of our knowledge, a deep automatic encoder based recommendation system that takes two-dimensional input is not available in the literature. The presented model has been tested on the MovieLens100K and MovieLens1M datasets. The DAERec method achieved results above 0,5 for precision, recall and F1 score evaluation criteria in both datasets. The best average absolute error value on the Movielens100k dataset is 0,635, on the Movielens1m it is 0,656. The proposed DAERec method, which was compared with eleven different methods in the literature, produced the most accurate recommendations with a significant difference compared to the results of other methods.
Açıklama
Anahtar Kelimeler
Derin Öğrenme, İşbirlikçi Filtreleme, Otomatik Kodlayıcılar, Tavsiye Sistemleri, Autoencoders, Collaborative Filtering, Deep Learning, Recommender Systems
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Ünaldı, S.S. (2022). Veri seyrekliği ve ölçeklenebilirlik problemlerini gidermek için derin otomatik kodlayıcı tabanlı yeni bir tavsiye sistemi modeli. (Yayınlanmamış yüksek lisans tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Konya.
