Tez No	İndirme	Tez Künye	Durumu
668021		Çoklu-ölçütlü ortak filtreleme sistemlerinde kaba kümeler kullanımı / The use of rough sets theory in multi-criteria recommender systems Yazar:EMİN TALİP DEMİRKIRAN Danışman: PROF. DR. YAŞAR HOŞCAN Yer Bilgisi: Eskişehir Teknik Üniversitesi / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Donanım Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Kaba kümeler = Rough sets ; Tavsiye sistemleri = Recommender systems ; Veri madenciliği = Data mining ; Yapay zeka = Artificial intelligence	Onaylandı Doktora Türkçe 2021 79 s.
Teknolojinin gelişmesi ve Internet'in yaygınlaşması ile birlikte, bilgiye ulaşmak oldukça kolaylaşmıştır. Milyarlarca bilgiye saniyeler içerisinde kolaylıkla ulaşabilme imkânı, beraberinde bilgi bombardımanı denilen problemi de getirmiştir. Bu problemin üstesinden gelmek adına, bilgi yığınlarının içerisinde ihtiyaç olanın hangisi olabileceğini tahmin etmek üzere Öneri Sistemleri oluşturulmuştur. Birbirinden farklı yaklaşımları bulunan onlarca öneri sistemi içerisinde en yaygın olarak kullanılan tekniklerden biri Ortak Filtreleme sistemleridir. Ortak Filtreleme sistemlerinde kullanıcılar bilgi sahibi oldukları ürünlere oy vererek karakterlerini ortaya koyarlar ve sistem de karşılığında bilgi sahibi olmadıkları ürünleri beğenip beğenmeyeceklerini söyler. Ortak filtreleme sistemlerinde ürünler genel anlamda değerlendirilir ancak bazen; bir ürüne tek bir açıdan yaklaşmaktansa birden fazla perspektiften yaklaşmak, sistemin daha başarılı olmasını sağlar. Bu bağlamda, çoklu-ölçütlü öneri sistemleri geliştirilmiştir. Bu doktora tezinde, çoklu-ölçütlü ortak filtreleme sistemleri derinlemesine incelenmiş ve kaba kümeler teorisi kullanılarak oluşturulmuş toplama fonksiyonu tabanlı özgün bir yaklaşım sunulmuştur. Geleneksel ortak filtreleme sistemlerinin ölçeklenebilirlik, seyreklik gibi problemleri mevcuttur ve çoklu-ölçütlü ortak filtreleme sistemleri de ortak filtreleme sistemlerinin çoklu uzayı olarak değerlendirildiğinden, bu problemler çok daha büyük sorun teşkil etmektedir. Ayrıca, kriterler arasındaki ilişkinin ortaya çıkarılması da bu sistemler için bir başka optimizasyon problemidir. Dolayısıyla sistemin tahmin üretmedeki doğruluğun artırılması bir zorluk olarak karşımıza çıkmaktadır. Bu doktora tezinde, çoklu-ölçütlü ortak filtreleme sistemlerinin tahmin doğruluğunun artırılması adına birtakım yaklaşımlarda bulunulmuştur. Bu sistemlerin içerdiği problemlerin üstesinden gelebilmek adına Kaba Kümeler Teorisinden faydalanılan özgün bir yaklaşım önerilmiştir.
Accessing the information has become quite easier with the development of technology and the discovery of the Internet but the opportunity to get billions of data in seconds brought the problem called Information Overload with it. In order to overcome this problem, recommender systems that predicts the necessary information from tons of data has been proposed. Within the dozens of different approaches for recommender systems, collaborative filtering is one of the most commonly used systems for making predictions. In collaborative filtering recommender systems, the users put forth their characteristics by giving rating to the products they know and the system produces prediction to the products they do not have any idea in return. In traditional collaborative filtering, the products are considered as a whole, but sometimes approaching to a product from multiple aspects makes the system more successful. In this context, multi-criteria recommender systems are developed. In this PhD dissertation, in-depth study of multi-criteria recommender systems is performed and an aggregation function-based multi-criteria collaborative filtering using Rough Sets Theory is proposed as a novel approach. The traditional collaborative filtering systems have problems such as scalability and sparsity. Since the multi-criteria collaborative filtering systems are considered as the extended version of the traditional single-rating collaborative filtering systems, these problems pose a much grater problem. Additionally, revealing the relation between criteria is yet another optimization problem. Hence, increasing the accuracy in prediction is a challenge. In this dissertation, a number of approaches have been made to improve the predictive accuracy of multi-criteria recommender systems. A novel approach which uses Rough Sets Theory has been proposed to overcome the challenges of these systems.