Tez No	İndirme	Tez Künye	Durumu
383290		A content-boosted matrix factorization technique via user-item subgroups / İçerikle zenginleştirilmiş gruplama ile uygulanan matris ayırma tekniği Yazar:EVİN ASLAN OĞUZ Danışman: PROF. DR. FEHİME NİHAN ÇİÇEKLİ 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 Yüksek Lisans İngilizce 2014 83 s.
Bu tezin asıl amacı, i¸sbirlikçi filtreleme algortimasıyla elde edilen önerilerin do˘gruluk derecesini, ba¸sarılı iki algoritmayı birle¸stirerek arttırmaktır.˙I¸sbirlikçi algoritmalar benzer kullanıcı grupları ke¸sfedip, bu gruplar üzerinden öneri yaparlar. Bu tezde gruplar MCoC adı verilen bir gruplama tekni˘gi ile ke¸sfedilmektedir. Ayrıca, nesnelerin içeri˘ginin öneri sürecine katılması için, içerikle zenginle¸stirilmi¸s bir teknik kullanılmaktadır. MCoC tekni˘ginde, bir kullanıcı veya nesne sıfır, bir veya daha fazla altgruba dahil olabilir. Böylelikle, aynı altgruplara ait kullanıcı ve nesneler için o kullanıcıların sözkonusu nesnelere yapaca˘gı tahmini de˘gerlendirmeler elde edilmektedir. Ancak bir kullanıcı ve nesne hiç bir altgruba dahil olmadı˘gında, i¸sbirlikçi algoritma bütün kullanıcı ve nesneler için tekrar ko¸sturulup elde edilen tahmini de˘gerlendirmeler MCoC yöntemiyle elde edilemeyen de˘gerlendirmeler için kullanılmaktadır. Di˘ger taraftan, içerikle zenginle¸stirilmi¸s i¸sbirlikçi algoritma ise öneri sürecinde nesnelerin içeri˘gini göz önünde bulundurur. Film öneri sistemleri üzerinde çalı¸sıldı˘gından, içerik bilgisi olarak filmlerin türleri kullanılmaktadır. Özetle, içerikle zenginle¸stirilmi¸s i¸sbirlikçi algoritma altgruplar ve bütün kullanıcı nesne seti üzerinde uygulanmakta, ve sonuçlar birle¸stirilmektedir. Böylece öneri sisteminin do˘gruluk derecesi arttırılmaktadır.
This thesis mainly focuses on improving the recommendation accuracy of collaborative filtering (CF) algorithm via merging two successful approaches. Since CF algorithms group like-minded users, a technique called Multiclass Co-Clustering (MCoC) is used in order to group like-minded users more effectively. Since, CF approaches lack incorporating content information, a content-boosted CF approach that embeds content information into recommendation process is used. In the MCoC, a user or an item can belong to zero, one or more subgroups. Thus, it is possible to predict the rating scores of users to items present in the same subgroup. However the prediction results for all users and items are not obtained by MCoC, since a user or an item may belong to zero subgroups. Therefore, content-boosted CF algorithm is applied to the whole set of users and items besides subgroups and finally the results are merged. The content-boosted approach, on the other hand, considers content information in the recommendation process. As content, the genres of movies are embedded into the item latent factor vector in the matrix factorization technique. To sum up, the content-boosted algorithm is applied to the subgroups and the whole set, and the obtained results are merged. Hence the recommendation accuracy is improved.