Günümüzde artan internet kullanýmý ile kullanýcýlarýn öðeler ile etkileþime geçtikleri sosyal medya ve e-ticaret siteleri gibi birçok platform, öneri sistemleri sayesinde iþlemesi zor ve büyük boyutlu bir veri seti arasýndan kullanýcýlara kiþiselleþtirilmiþ öneriler sunmaktadýr. Kiþiselleþtirilmiþ öneriler için sýklýkla kullanýlan iþbirlikçi öneri sistemlerinde, kullanýcý-öðe etkileþiminin az olduðu durumlarda öneri performansý düþerken; etkileþimin olmadýðý durumlarda ise isabetli bir þekilde yapýlamamaktadýr. Bu çalýþmada, iþbirlikçi öneri sistemlerinde ortaya çýkan veri seyrekliði ve soðuk baþlangýç problemlerini azaltmak için derin öðrenme tabanlý otokodlayýcý yaklaþýmý kullanýlacaktýr. Bu yaklaþýmla, etkileþimi olmayan kullanýcýlara da isabetli öneriler sunulabilecektir. Çalýþmada kullanýlacak yöntem, Kuchaiev ve Ginsburg tarafýndan 2017 yýlýnda önerilmiþ yeniden beslemeli otokodlayýcý yaklaþýmýný esas alýr ve bu yaklaþýmdan farklý olarak kullanýcý-öðe ek bilgilerinin modele dahil edilmesini içerir. Çalýþmanýn yöntemi, literatürde mevcut olan Movielens 1M veri seti üzerinde uygulanacaktýr. Araþtýrmanýn uygulama kýsmý, Python programlama dilinde derin öðrenme kütüphanesi olan Keras aracýlýðý ile yapýlacaktýr. Elde edilecek sonuçlara göre, geleneksel öneri sistemleri yerine derin öðrenme tabanlý otokodlayýcý yaklaþýmý ile oluþturulan öneri sisteminin veri seyrekliði problemini azaltacaðý ve herhangi bir öðe ile etkileþimi olmayan yeni bir kullanýcý için modele dahil edilen ek bilgiler aracýlýðý ile bir öneri yapýlabileceði hedeflenmektedir. Bu çalýþma Yýldýz Teknik Üniversitesi Bilimsel Araþtýrma Projeleri Koordinasyon Birimi tarafýndan FYL-2021-4281 nolu proje kapsamýnda desteklenmiþtir.
Anahtar Kelimeler: Derin öðrenme, Otokodlayýcýlar, Ýþbirliðine dayalý filtreleme, Soðuk baþlangýç problemi, Öneri sistemleri
|
