Tez No	İndirme	Tez Künye	Durumu
697651		Leveraging user-generated content with latent semantic indexing for cold-start playlist continuation / Soğuk-başlangıç çalma listelerinin sürdürülmesi için kullanıcı tanımlı içerikler üzerine örtülü anlamsal indeksleme Yazar:ALİ YÜREKLİ Danışman: PROF. DR. CİHAN KALELİ Yer Bilgisi: Eskişehir Teknik Üniversitesi / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bilgi erişim sistemi = Information access system	Onaylandı Doktora İngilizce 2021 71 s.
Çevrimiçi müzik servislerinin vazgeçilmez bir unsuru olan müzik öneri sistemleri, kullanıcılara bireysel tercihleri doğrultusunda kişiselleştirme sağlayarak daha iyi bir müzik dinleme deneyimi sunmayı amaçlar. Bu hedefi gerçekleştirmede önemli bir gereksinim, çalma listelerinin bir ahenk içerisinde otomatik sürdürülmesidir. Bir müzik öneri sistemi, çalma listesinin karakteristiğini tespit ederek kullanıcı profili çıkarmalı ve buna uygun şarkıları öneri olarak sunmalıdır. Müzik kataloglarının devasa boyutları sebebiyle oldukça zorlayıcı olan bu gereksinim, henüz hiç şarkı içermeyen yeni listeler için daha da karmaşık hale gelmektedir. Literatürde soğuk-başlangıç olarak bilinen bu durumlarda çalma listelerindeki temaları ortaya çıkaracak ek bilgilere ihtiyaç duyulur. Bu tez kapsamında, İnternet ortamında müzik dinleyen kullanıcıların çalma listeleri için ne tür isimlendirmeler tercih ettiği incelenmiş ve çalma listesi organizasyonundaki ortak tutumlardan müzik önerileri sistemlerinde nasıl faydalanılabileceği araştırılmıştır. Bir milyon farklı çalma listesi içeren büyük bir veri seti üzerinden elde edilen bulgulara dayanarak örtülü anlamsal indeksleme tabanlı yeni bir müzik öneri yaklaşımı öne sürülmüş ve bu yaklaşım doğrultusunda kurgulanan bilgi erişimi sistemi ile otomatik çalma listesi sürdürmede soğuk-başlangıç problemine çözüm aranmıştır. Yapılan deneysel çalışmalar, öne sürülen yöntemin soğuk-başlangıç problemine yönelik literatürdeki mevcut yaklaşımlardan daha yüksek doğrulukta öneriler üretebildiğini göstermektedir. Gerçek ve büyük veri üzerinde istatiksel olarak anlamlı bu iyileştirme, örtülü anlamsal indekslemenin çalma listeleri başlıkları ve kullanıcıların müzik zevkleri arasındaki gizli ilişkileri etkin bir şekilde keşfedebildiğini ortaya koymaktadır.
Music recommender systems, which are indispensable components of online music streaming services, aim to provide better music listening experience to their users by providing personalization in line with users' musical preferences. An important requirement in achieving this goal is the automatic continuation of playlists in a coherent manner. A music recommender system should identify the characteristics of a playlist, create a user profile based on these characteristics, and recommend music suitable for this profile. This requirement, which is quite challenging due to the huge size of music catalogs, becomes even more complex for new playlists that do not yet contain any tracks. In such cold-start cases, the use of additional information to reveal possible music themes in playlist is essential. In this dissertation, playlist naming tendencies of users consuming music via the Internet are analyzed. Furthermore, it is investigated how the common attitude in playlist organization can be utilized in music recommender systems. Based on the findings obtained from a large dataset containing one million different playlists, a novel recommendation approach using latent semantic indexing is proposed to alleviate the cold-start problem in automatic playlist continuation. The experimental studies and results show that the proposed method can produce recommendations with higher accuracy than the state-of-the-art approaches in the literature for the addressed cold-start problem. The statistically significant improvements on a large, real-world dataset reveal that latent semantic indexing can effectively discover hidden relationships between user-generated titles and music preference.