Tez No	İndirme	Tez Künye	Durumu
750792		Development of recommender system algorithms for cold-start problem / Öneri sistemlerinde soğuk-başlangıç problemine yönelik algoritma geliştirimi Yazar:HAKAN YILMAZER Danışman: PROF. DR. SELMA AYŞE ÖZEL Yer Bilgisi: Çukurova Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Altman Z skorları = Altman Z scores ; Karınca koloni algoritması = Ant colony algorithm ; Tekil değer ayrışımı = Singular value decomposition ; Öneri sistemleri = Suggestion systems ; İşbirlikçi filtreleme = Collaborative filtering	Onaylandı Doktora İngilizce 2022 151 s.
Soğuk-başlangıç problemleri, öneri sistemlerindeki en önemli zorluklardan birisidir. Bu tez çalışmasında, soğuk-başlangıç problemine 2 farklı yaklaşım ile çözümler geliştirmeyi amaçladık. Farklı senaryolarda kullanılabilecek bir deterministik ve bir sezgisel çalışma yaptık. İlk perspektifte, deterministtik yaklaşımla, Sürekli Karınca Kolonisi Optimizasyonu kullanarak ilk-N öneri listeleri sunmak için ürün tabanlı benzerlik modellerini optimize eden yeni sezgisel bir çatı geliştirdik. Sezgisel yapısı sayesinde, kullanıcılar için kendine has ve her oturuma göre değişen öneri listeleri üretirken aynı zamanda kullanıcının alakası ile listelerdeki ürün çeşitliliği arasında denge kurmayı amaçladık. İkinci perspektifte, deterministik olarak iki yeni işbirlikçi filtreleme tekniğini tanıttık. İlk modelde, örtük verileri kullanarak elde ettiğimiz gram matrisin z-skor normalizasyonuna dayanan ürünler arasında özgün asimetrik bir benzerlik matrisi hesapladık ve ikinci modelde, geliştirdiğimiz ürün benzerlik matrisi ile oluşturduğumuz ürün tahminleri ile seyrekliği azaltmayı amaçladık böylece kullanıcı-ürün matrisinde gizli faktörlerinin daha başarılı ayrışmasını sağladık. Tüm yöntemlerimizi bilinen veri setleri üzerinde test ettik ve yöntemlerimizin, soğuk-başlangıç kullanıcılarda, soğuk-başlangıç sistemlerde ve popüler olmayan ürün önerilerinin sağlanması da dahil olmak üzere çeşitli senaryolarda benzer tavsiye modellerinden daha iyi performans gösterdiğini gözlemledik.
Cold-start problems are one of the most important challenges in recommendation systems. In this thesis, we proposed models to develop solutions for the cold-start problem from two different perspectives. We aimed for a deterministic and a heuristic study that can be used in different scenarios. In the first perspective, we introduced a new heuristic framework that optimizes item-based similarity models to provide top-N recommendation lists using Continuous Ant Colony Optimization with a non-deterministic approach. Thanks to its heuristic structure, we aimed to create specific recommendation lists for users and change them according to each session, while at the same time aiming to balance the relevance of the user and the item variety in the recommendation lists. In the second perspective, we introduced two new Collaborative Filtering techniques deterministically. In the first model, we developed an asymmetric similarity matrix among the items based on the z-score normalization of the Gram-matrix we obtained using the implicit data, and in the second model, we aimed to reduce the sparsity with the item predictions with the assist our novel item similarity matrix, thus enabling more accurate decomposition of the latent factors in the user-item matrix we provided. We evaluated all of our methods on well-known datasets and observed that our methods outperform similar recommendation models in a variety of scenarios, including cold-start users, cold-start systems, and providing of unpopular product recommendations.