Tez No İndirme Tez Künye Durumu
383007
A graph-based core model and a hybrid recommender system for TV users / Çizge tabanlı bir öz model ve TV kullanıcıları için melez öneri sistemi
Yazar:ARDA TAŞCI
Danışman: PROF. DR. FEHİME NİHAN ÇİÇEKLİ
Yer Bilgisi: Orta Doğu Teknik 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
Yüksek Lisans
İngilizce
2015
114 s.
Bu çalışmada TV kullanıcılarını temsil etmek için çizge tabanlı bir altyapı oluşturulmuş ve bu çizge tabanlı alt yapının yetenekleri açıklanmıştır. Bunun yanı sıra, bu çizge tabanlı altyapı üzerine melez bir öneri sistemi geliştirilmiş ve tasarım, geliştirme ve değerlendirme aşamaları detaylı olarak aktarılmıştır. Geliştirilen melez öneri sistemi içerik tabanlı, bağlan duyarlı ve işbirlikçi öneri sistemleri gibi farklı öneri sistemi yaklaşımlarının olumlu yanlarını kullanarak kullanıcılara öneri sunan bir sistemdir. Geliştirilen bu sistem ile aynı veriler üzerinde geliştirilen temel bir öneri sistemi karşılaştırılmış ve önerilen sistem dikkat çekici sonuçlar ortaya koymuştur.
This thesis proposes a core model to represent user profiles in a graph-based environment which can be the base of different recommender system approaches as well as other cutting edge applications for TV domain. The proposed graph-based core model is explained in detail with node types, properties and edge weight metrics. The capabilities of this core model are described in detail. Moreover, in this thesis, a hybrid recommender system based on this core model is presented with its design, development and evaluation phases. The hybrid recommendation algorithm which takes unique advantages of different types of recommendation system approaches such as collaborative filtering, context-awareness and content-based recommendations, is explained in detail. The introduced core model and the hybrid recommendation system are evaluated and compared with a baseline recommender system and the results are presented. The evaluation results show that the core model and the recommender system presented in this work produce remarkable results for TV domain.