Tez No	İndirme	Tez Künye	Durumu
696626		Naive Bayes prediction model on location-based recommendation by integrating multi-dimensional contextual information / Yazar:GÜNAY GÜLTEKİN Danışman: PROF. DR. OĞUZ BAYAT Yer Bilgisi: Altınbaş Üniversitesi / Lisansüstü Eğitim Enstitüsü / Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2021 90 s.
Son yıllarda yapılan çalışmalarda film, sosyal, haber, e-ticaret, kitap, sağlık, oyun, belge, turizm vb. farklı alanlara dayalı birçok farklı öneri sistemi bulunmaktadır. Bu sistemler kullanıcılara ürün veya hizmet önerileri sunmak için algoritmalar kullanır. kullanıcılar hakkındaki bilgilere dayanmaktadır. İlgi Çekici Nokta (POI), kullanıcı deneyimini iyileştirmek için kişiselleştirilmiş ve bağlama duyarlı önerilere odaklanan yeni bir öneri sistemi biçimidir. Bu öneri sistemlerinde coğrafi ve sosyal bağlam bilgileri kullanılmaktadır. İÇN'de check-in verilerinin kullanılması, etkili konum tabanlı önerileri artırır. Bu bildiride, üç boyutlu uzaya sahip olan ve modelin boyutsallığını artıran bir Matris Çarpanlarına ayırma uzantısı olan Tensör Çarpanlarına (TF) bağlı olarak işbirlikçi bir filtreleme yöntemi önerilmiştir. Genellikle üç boyutlu model (kullanıcı, boylam-enlem bilgisi ve konum kimliği bilgisi) en çok kullanılanlardan biridir. Check-in verileri eklenerek model, POI'de kullanılan dördüncü boyutlu bir model haline gelir. Bu makalede [1], yüksek düzeyde karmaşıklığa ve yavaş yakınsamaya sahip olan stokastik gradyan iniş (SGD) algoritması kullanılmıştır. Bu problemlerin üstesinden gelmek için, bu makalede tensör problemini çözmek için Naive Bayes Tahmin Modeli adlı daha verimli bir yöntem oluşturmayı planlıyoruz. Ardından çıktıları almak, diğer yöntemlerin çıktılarını karşılaştırmak ve önerilen yöntemimizin etkinliğini göstermek için Brightkite veri setini kullanırız.
In recent studies, there are many different recommender systems based on different domains such as movie, social, news, e-commerce, books, health, games, documents, tourism, etc. These systems use algorithms to provide users with products or service recommendations based on information about the users. Point of Interest (POI) is a new form of recommender system that focuses on personalized and context-aware recommendations in order to improve user experience. Geographical and social context information is used in these recommender systems. Using the check-in data in POI increases the effective location-based recommendations. In this paper, a collaborative filtering method was proposed by depending on Tensor Factorization (TF) which has three-dimensional space and it is a Matrix Factorization extension that increases the model's dimensionality. Generally, model in three dimensions (user, longitude-latitude information, and location id information) is one of the most popularly used. By adding check-in data, the model becomes a fourth-dimensional model which was used in POI. The stochastic gradient descent (SGD) algorithm is used in this article [1], which has a high level of complexity and sluggish convergence. To handle these problems, we plan to create a more efficient method named as Naive Bayes Prediction Model to solve the tensor problem in this article. Then we use Brightkite dataset to take the outputs, compare other methods' outputs, and show the effectiveness of our proposed method.