Tez No	İndirme	Tez Künye	Durumu
651483		Selective personalization using topical user profile to improve search results / Arama sonuçlarını iyileştirmek için konu kullanıcı profilini kullanarak seçici kişiselleştirme Yazar:SAMIRA KARIMI MANSOUB Danışman: PROF. DR. İLYAS ÇİÇEKLİ Yer Bilgisi: Hacettepe 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 2020 151 s.
Kişiselleştirme tekniği, bilgi erişim sistemininin etkinliğini iyileştirmek için web arama motorlarında kullanılan bir tekniktir. Kişiselleştirilmiş web araması alanında son günlerde sıkça araştırma ve uygulama yapılmaktadır. Bu araştırmada öncelikle farklı karakteristiklere sahip sorgularda kişiselleştirmenin etkisini ölçüyoruz. Bu analiz ile kişiselleştirmenin tüm sorgulara aynı biçimde uygulanıp uygulanmayacağı araştırılmaktadır. Bazı sorguların kişiselleştirilmesi, kullanıcı tercihleri ile aynı öncelikte bir derecelendirme yapıldığı takdirde kullanıcı deneyiminde önemli iyileştirmeler sağlarken, belirsiz sorguların etkinliğini iyileştirmez ve hatta bazen azalmasına neden olur. Kişiselleştirme metriklerinin potansiyeli, kişiselleştirmeyi seçilimli bir şekilde uygulayarak arama motorlarını iyileştirebilir. Kişiselleştirme potansiyelini tahmin etmek için kullanılan "tıklama entropisi" ve "konu entropisi" gibi mevcut yöntemler, sorgu ve sorgu geçmişi için tıklanan dokümanlara dayalıdırlar. Bu yöntemlerin, önceki tıklanmış verilerin kullanışsızlığı gibi yeni ve görünmeyen sorgular veya geçmişi olmayan sorgular için bir takım sınırları mevcuttur. Bu tezde, konu entropisi ölçümü, kullanıcı dağılımını metriğe entegre ederek seyreklik problemine dayanıklı olacak şekilde iyileştirildi. Bu metrik kullanıcı dökümanları üzerinde oluşturulan konusal kullanıcı profillerini kullanarak kişiselleştirme potansiyelini tahmin eder. Bu yolla yeni sorguların potansiyelini tahmin etmek ve geçmişe sahip sorguların doğruluğunu artırmak için soğuk başlangıç probleminin üstesinden gelebiliriz. Bu tezde her ne kadar ana odak noktası konu tabanlı kullanıcı profilleri olsa da anahtar kelime tabanlı kullanıcı profilleri hakkında çok araştırma olmadığı için, anahtar kelimeye dayalı profiller ve konu tabanlı profiller arasında bir karşılaştırma yapıyoruz. Denetimli ve denetimsiz yöntemlerin farklı modellerini göz önünde bulundurarak, kişiselleştirmenin ustalık derecesinde anahtar kelime çıkartma modellerine nasıl entegre edilebileceğini inceliyoruz. Farklı veri kümelerini kullanarak kişiselleştirme sürecini tamamlamak için yeniden derecelendirme algoritmaları kullanılarak anahtar kelime ve konu tabanlı kullanıcı profillerini değerlendiriyoruz. Anahtar kelime tabanlı kişiselleştirmede, denetimli anahtar kelime çıkartma yaklaşımı %7 oranında iyileştirme sağlarken, konu tabanlı kişiselleştirmede bir iyileştirme sağlamamaktadır. Konu tabanlı modellerde, derecelendirme sürecinin bir bölümü olarak, kullanıcı tarafından belirlenen ve grup profili seviyesinde kişiselleştirme kombinasyonu kullanırız. Önceki derecelendirme yöntemlerinde iyileştirmeler, kullanıcının geçmişi ile eşleşen sorgular içindir. Derecelendirmenin avantajlarını tüm sorgularda kullanmak için, konusal profiller üzerinde kümelenen benzer kullanıcılardan elde edilmiş grupları kullanan grup kişiselleştirmiş konusal modelini (GPTM) tanıtıyoruz. Deneyler, potansiyel tahmin yönteminin insan sorgularında belirsiz kararlar ile ilişkili olduğunu ve grup tabanlı derecelendirmenin ortalama karşılıklı derecelendirmeyi %8 artırdığını göstermektedir.
Personalization is a technique used in Web search engines to improve the effectiveness of information retrieval systems. In the field of personalized web search has recently been doing a lot of research and applications. In this research, we evaluate the effect of personalization for queries with different characteristics. With this analysis, the question of whether personalization should be applied for all queries in the same way or not is investigated. While personalizing some queries yields significant improvements on user experience by providing a ranking inline with the user preferences, it fails to improve or even degrades the effectiveness for less ambiguous queries. A potential for personalization metric can improve search engines by selectively applying a personalization. Current methods for estimating the potential for personalization such as click entropy and topic entropy are based on the clicked document for query or query history. They have limitations like unavailability of the prior clicked data for new and unseen queries or queries without history. In this thesis, the topic entropy measure is improved by integrating the user distribution to the metric, robust to the sparsity problem. This metric estimates the potential for personalization using a topical user profile created on user documents. In this way, we can overcome the cold start problem to estimate the potential for new queries and increase the accuracy of estimates for queries with history. Although in this thesis the main focus is on topic-based user profiles, since there is not more research on keyphrase-based user profiles in the process of personalization, we do a comparison research between keyphrase-based and topic-based profiles. We examine how personalization can be integrated into the state of the art keyphrase extraction models by considering different models of supervised and unsupervised methods. We evaluate topicbased and keyphrase-based user profiles using a re-ranking algorithm to complete the process of personalization using different datasets. In personalization using keyphrase-based profiles, personalized models based on supervised keyphrase extraction approaches obtained more accuracy by 7% than unsupervised approaches however it does not improve compared to topic-based models. In topic-based models, we use a combination of personalization in the level of user-specified and group profiling as part of the ranking process. In the previous ranking methods, more improvement in ranking is for the queries which match the user's history. To take advantage of ranking for all queries, we present a group personalized topical model(GPTM) that uses groups obtained from clustered similar users on topical profiles. Experiments reveal that the proposed potential prediction method correlates with human query ambiguity judgments and group profiles based ranking method improve the Mean Reciprocal Rank by 8%.