Tez No	İndirme	Tez Künye	Durumu
491189		A polynomial modeling based algorithm in top-N recommendation / İlk-N tavsiye sisteminde polinom modelleme tabanlı algoritma Yazar:ÖZGE YÜCEL KASAP Danışman: DOÇ. DR. MEHMET ALPER TUNGA Yer Bilgisi: Bahçeşehir Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2018 81 s.
Tavsiye, bir kullanıcı için daha fazla ilgi çekici olan ögeleri tanımlama ve önerme işlemidir. Tavsiye sistemleri, e-ticaret web sayfaları da dahil olmak üzere çeşitli alanlarda, kullanıcılara ilgili öneriler yaparak satışları artırmak için kullanılmaktadır. Bu tezde, verilerin yüksek boyutlu yapısından dolayı oldukça zorlu bir işlem olan tavsiye oluşturmayı bir interpolasyon problemi olarak ortaya koymaktayız. Dolayısıyla, Yüksek Boyutlu Model Gösterilim (YBMG) tabanlı algoritma kullanılarak, verileri daha düşük boyutlarla temsil ederek yüksek boyut sorunu ile ilgileniyoruz. Müşterilerin satın alma geçmişi matrisine dayanan veri modelini baz alan analitik bir yapı kullanarak tavsiyelerde bulunmak için, bu algoritmayı işbirlikçi filtreleme felsefesiyle birleştirdik. Önerilen bu yaklaşım, bir müşteri tarafından satın alınmamış her bir öge için bir öneri puanı verebilmekte, bu da klasik tavsiye sistemlerinin gücünü arttırmaktadır. Deneysel değerlendirmeler için kıyaslama veri kümeleri kullanmak yerine, önerilen yaklaşımın bir tavsiye sistemi olarak potansiyelini ortaya koymak için, hazır giyim alanındaki bir e-ticaret web sayfasından elde edilen ve daha önce hiçbir akademik çalışmada kullanılmamış olan özgün bir endüstriyel veri kümesi kullanılmıştır. Tavsiye sistemimizin doğruluğunu, literatürde bulunan birkaçöncü yöntemle test ettik. Deneysel sonuçlar, önerilen yaklaşımın kullanıcıların ilgi alanına giren tavsiyeler sunduğunu ve en yeni yöntemlere kıyasla doğruluk ve tahmin gücü bakımından daha iyi olduğunu göstermektedir.
Recommendation is the process of identifying and recommending items that are more likely to be of interest to a user. Recommender systems have been applied in variety of fields including e-commerce web pages to increase the sales through the page by making relevant recommendations to users. In this thesis, we pose the problem of recommendation as an interpolation problem, which is not a trivial task due to the high dimensional structure of the data. Therefore, we deal with the issue of high dimension by representing the data with lower dimensions using High Dimensional Model Representation (HDMR) based algorithm. We combine this algorithm with the collaborative filtering philosophy to make recommendations using an analytical structure as the data model based on the purchase history matrix of the customers. The proposed approach is able to make a recommendation score for each item that have not been purchased by a customer which potentiates the power of the classical recommendations. Rather than using benchmark data sets for experimental assessments, we apply the proposed approach to a novel industrial data set obtained from an e-commerce web page from apparels domain to present its potential as a recommendation system. We test the accuracy of our recommender system with several pioneering methods in the literature. The experimental results demonstrate that the proposed approach makes recommendations that are of interest to users and shows better accuracy compared to state-of-the-art methods.