Tez No	İndirme	Tez Künye	Durumu
688546		Trust-aware location recommendation in location-based social networks / Konum temelli sosyal ağlarda güven farkında konum önerisi Yazar:DENİZ CANTÜRK Danışman: PROF. DR. PINAR KARAGÖZ Yer Bilgisi: Orta Doğu Teknik 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 2021 124 s.
Kullanıcılar, LBSN'lerde (Konum Tabanlı Sosyal Ağ) konuma gömülü bilgiler aracılığıyla konumlarını diğer sosyal ağ kullanıcılarıyla paylaşabilmektedir. Kullanıcıların konumlar için yaptıkları giriş bilgilerinden oluşan sonuç veri seti kişiselleşmiş konum öneri sistemi inşa etmek için kullanılmaktadır. Güven, sosyal ağlara çeşitli ortamlarda öneri sistemlerine entegre edilmiş bir başka önemli kavramdır. Bu tezde, öneri performansını iyileştirmek için konum önerisi için iki yeni teknik olan TLoRW ve SgWalk öneriyoruz. İleri sürülen yaklaşımlarda LBSN öğeleri (kullanıcı- kullanıcı, kullanıcı-konum) ve aralarındaki ilişkiler çizge modeli kullanılarak temsil edilmektedir. Güven modellemesi için, LBSN kullanıcılarının güven puanlarını tahmin eden bir yöntem geliştirdik. Geliştirilen yöntemle, bir kullanıcının check-in geçmişine göre global güven puanı tahmin edilmektedir. Güven modeli, önerilen konum öneri algoritmalarında kullanılmak üzere LBSN grafik modeline entegre edilmiştir. İlk algoritma, TLoRW, rastgele yürüyüş tabanlı bir algoritma olup kullanıcının uzamsal bağlam bölgesini dolaşarak arkadaşlıklardan, uzmanlardan ve güvenilir kullanıcılardan yararlanarak kullanıcının mevcut konumuna dayalı konum önerileri üretir. Bu uzamsal bağlam bölge, mevcut konuma göre kullanıcının altçizgesi olarak oluşturulur. İkinci öneri algoritmasında, SgWalk, kullanıcı altçizgesini heterojen bir bilgi ağı olarak ele alarak yeni bir HIN yerleştirme tekniği öneriyoruz. Konum önerileri, kullanıcılar ve konumlar arasındaki yakınlığa bağlı olarak yapılan düğüm yerleştirmelerine dayalı olarak oluşturulmaktadır. SgWalk, uzamsal bağlama dayalı olarak oluşturulan kullanıcı altçizgelerini kullandığı için meta-path veya iki parçalı çizgelere dayanan önceki düğüm yerleştirme tekniklerinden farklıdır. Bu sayede, varlıklar arasındaki ilişkinin mekânsal bağlam açısından yakalanması amaçlanmaktadır. TLoRW ve SgWalk'un öneri performansı, ilk k konum önerilerindeki doğruluk değerlendirilerek bilinen veri setleri üzerinde gerçekleştirilen kapsamlı deneyler aracılığıyla analiz edildi. Deneyler, güven bilgilerinin konum önerisi performansını iyileştirmede önemli bir etkiye sahip olduğunu ortaya koymaktadır. Performans değerlendirme sonuçları, literatürde temel teknikler ve son zamanlarda yayınlanan güvene duyarlı öneri ve heterojen grafik gömme tekniklerine kıyasla önemli bir gelişme olduğunu göstermektedir.
Users can share their location with other social network users through location-embedded information in LBSNs (Location-Based Social Network). LBSNs contain useful resources, such as user check-in activities, for building a personalized recommender system. Trust in social networks is another important concept that has been integrated into a recommendation system in various settings. In this thesis, we propose two novel techniques for location recommendation, TLoRW and SgWalk, to improve recommendation performance through integrated trust information. In both of the algorithms, the elements of LBSN and their relationships (user-user, user-location) are represented by using a graph model. For trust modeling, we develop a method to generate trust scores of LBSN users. With the developed method, the global trust score of a user is predicted with respect to the check-in history. The trust model is integrated into the LBSN graph model to be used within the proposed location recommendation algorithms. The first algorithm, TLoRW, generates location recommendations based on the user's current location by exploiting the friendships, experts, and trusted users traversing the region of user's spatial context through a random walk based algorithm. This region is constructed as the subgraph of the user according to the current location. In the second recommendation algorithm, SgWalk, we consider user subgraph as a heterogeneous information network and propose a novel HIN embedding technique. The location recommendation is generated by the proximity between users and locations based on their corresponding node embedding. SgWalk is differentiated from the previous node embedding techniques relying on meta-path or bi-partite graphs by utilizing the user subgraphs generated based on spatial context. By this way, it is aimed to capture the relationship between the entities with respect to the spatial context.The recommendation performance of TLoRW and SgWalk is analyzed through extensive experiments conducted on benchmark datasets by evaluating the accuracy in top-k location recommendations. The experiments reveal that trust information has a significant effect on improving the location recommendation performance. The performance evaluation results show a substantial improvement compared to baseline techniques and the state-of-the-art trust-aware recommendation and heterogeneous graph embedding techniques in the literature.