Tez No	İndirme	Tez Künye	Durumu
313660		A comparison of different recommendation techniques for a hybrid mobile game recommender system / Melez mobil oyun tavsiye sistemi için farklı öneri tekniklerinin karşılaştırılması Yazar:HASSANE NATU HASSANE CABİR Danışman: DR. RUKET ÇAKICI ; PROF. FERDA NUR ALPASLAN 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 2012 106 s.
Bilgiler hızlı bir tempoda artmaya devam ederken bu bilgilere etkin şekildeerişmek her zaman mümkün olmamaktadır.Kişiselleştirme teknolojisi denilenteknoloji bu bilgi bombardımanı sorununa en iyi çözümlerden biridir: otomatikolarak kullanıcı profilini öğrenerek bilgi servislerini daha etkin kullanıma sunma veböylece bizim için ilginç olan nesneleri bulmamıza yardımcı olmak içintasarlanmışlardır.. Bilgi yükleme problemini en aza düşürmede çözüm olarak ortayaçıkan tavsiye sistemleri ihtiyaçlarımıza uygun içerik önerisi sunar. Kullanıcıbeğenisine mümkün olan en yakın öneriyi sağlamak amacıyla kişiselleştirilmiştavsiye sistemleri için kesin karakteristik kullanıcı modeli, tercihleri ve ihtiyaçlarıgereklidir. Kolaboratif filtreleme benzer kullanıcıların değerlendirmelerine dayalıöneri sunmada yaygın olarak kabul edilen bir tekniktir; fakat bu teknik veriseyrekliği ve ?cold start? gibi çeşitli problemlerden muzdariptir. Kolaboratiffiltreleme metodlarının özel bir tipi olan karşıt örneklerden yoksun verikümeleri ilebaşa çıkmayı amaçlayan tek sınıflı kolaboratif filtreleme, bu verikümeleri seyrekolduğu için zorluğu daha büyüktür. Bu tez kapsamında büyük bir Türk e-ticaretsitesinin veritabanında gerçek müşteriler üzerinde yapılan bir dizi deney sunuyoruz.TFIDF ağırlıklarıyla karıştırılmış içerik tabanlı tekniğin kullanılması, farklıbenzerlik ölçümleri ile karıştırılmış bellek tabanlı kolaboratif filtrelemesi, melezyaklaşımlar ve Tekil Değer Ayrışımı'nın (TDA) model bazlı kolaboratif filtrelemekullanılmasıyla seyreklik problemi ele alınıyor. Bu çalışma OCCF verikümesindeikili benzerlik ölçümünün ve TDA'nın geleneksel ölçümlerden üstün olduğunugöstermiştir
As information continues to grow at a very fast pace, our ability to access thisinformation effectively does not, and we are often realize how harder is getting tolocate an object quickly and easily. The so-called personalization technology is oneof the best solutions to this information overload problem: by automatically learningthe user profile, personalized information services have the potential to offer users amore proactive and intelligent form of information access that is designed to assistus in finding interesting objects. Recommender systems, which have emerged as asolution to minimize the problem of information overload, provide us withrecommendations of content suited to our needs. In order to providerecommendations as close as possible to a user?s taste, personalized recommendersystems require accurate user models of characteristics, preferences and needs.Collaborative filtering is a widely accepted technique to provide recommendationsbased on ratings of similar users, But it suffers from several issues like data sparsityand cold start. In one-class collaborative filtering, a special type of collaborativefiltering methods that aims to deal with datasets that lack counter-examples, thechallenge is even greater, since these datasets are even sparser. In this thesis, we present a series of experiments conducted on a real-life customer purchase databasefrom a major Turkish E-Commerce site. The sparsity problem is handled by the useof content-based technique combined with TFIDF weights, memory basedcollaborative filtering combined with different similarity measures and also hybridsapproaches, and also model based collaborative filtering with the use of SingularValue Decomposition (SVD). Our study showed that the binary similarity measureand SVD outperform conventional measures in this OCCF dataset.