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 bir veri seti arasından kullanıcılara kişiselleştirilmiş öneriler sunmaktadır. Kişiselleştirilmiş öneriler için sıklıkla kullanılan işbirlikçi öneri sistemlerinde, kullanıcı-öğe etkileşiminin az olduğu durumlarda öneri performansı düşerken; etkileşimin olmadığı durumlarda ise isabetli bir şekilde yapılamamaktadır. Bu çalışmada, işbirlikçi öneri sistemlerinde ortaya çıkan veri seyrekliği ve soğuk başlangıç problemlerini azaltmak için derin öğrenme tabanlı otokodlayıcı yaklaşımı kullanılacaktır. Bu yaklaşımla, etkileşimi olmayan kullanıcılara da isabetli öneriler sunulabilecektir. Çalışmada kullanılacak yöntem, Kuchaiev ve Ginsburg tarafından 2017 yılında önerilmiş yeniden beslemeli otokodlayıcı yaklaşımını esas alır ve bu yaklaşımdan farklı olarak kullanıcı-öğe ek bilgilerinin modele dahil edilmesini içerir. Çalışmanın yöntemi, literatürde mevcut olan Movielens 1M veri seti üzerinde uygulanacaktır. Araştırmanın uygulama kısmı, Python programlama dilinde derin öğrenme kütüphanesi olan Keras aracılığı ile yapılacaktır. Elde edilecek sonuçlara göre, geleneksel öneri sistemleri yerine derin öğrenme tabanlı otokodlayıcı yaklaşımı ile oluşturulan öneri sisteminin veri seyrekliği problemini azaltacağı ve herhangi bir öğe ile etkileşimi olmayan yeni bir kullanıcı için modele dahil edilen ek bilgiler aracılığı ile bir öneri yapılabileceği hedeflenmektedir. Bu çalışma Yıldız Teknik Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi tarafından FYL-2021-4281 nolu proje kapsamında desteklenmiştir.
Anahtar Kelimeler: Derin öğrenme, Otokodlayıcılar, İşbirliğine dayalı filtreleme, Soğuk başlangıç problemi, Öneri sistemleri
|
