Derin öğrenme yaklaşımları ile çoklu-kriterli öneri sistemlerinin problemlerini çözmek

Artan İnternet kullanımıyla birlikte kullanıcılar kişisel zevklerine uygun ürünlere/hizmetlere erişmekte zorlanırlar. Geleneksel öneri sistemleri bu durumla başa çıkabilmede etkili yöntemlerdendir. Ancak günümüzde kullanıcılar geleneksel öneri sistemlerindekinin aksine ürünler/hizmetler hakkında farklı kriterler bazında değerlendirmelerde bulunurlar. Çoklu-kriterli öneri sistemleri, kullanıcılarına farklı kriterler altında değerlendirme yapmalarına olanak sunan geleneksel öneri sistemi uzantılarıdır. Çoklu-kriterli öneri sistemlerinde üretilen tahminlerin doğruluğu, kullanıcı memnuniyetini ve bu sistemlerin sürdürülebilirliğini etkiler. Ayrıca artan kriter sayısına bağlı olarak çoklu-kriterli öneri sistemlerinde veri seyrekliği problemi daha belirgin bir sorun haline dönüşmekte ve artan veri miktarından dolayı makul zamanda tahminler üretmek zorlaşmaktadır. Derin öğrenme tekniklerinin heterojen ve büyük boyutlu veriden gizli, kompleks ve lineer olmayan özellikleri çıkarmadaki başarısı bu tekniklerin geleneksel öneri sistemlerinde sıklıkla kullanılmasını sağlamıştır. Bu tez kapsamında çoklu-kriterli öneri sistemlerinin temel problemlerinden olan doğruluk, veri seyrekliği ve ölçeklenebilirlik sorunlarını çözebilmek amacıyla otokodlayıcılara dayanan yeni yaklaşımlar önerilmiştir. Gerçek veri setleri üzerinden gerçekleştirilen deneysel çalışmalar ve analizler, önerilen yöntemlerin mevcut öncü çoklu-kriterli öneri sistemi algoritmalarına göre belirtilen problemlerin çözümünde daha etkili olduklarını göstermiştir. Anahtar Sözcükler: Çoklu-kriterli öneri sistemleri, Doğruluk, Veri seyrekliği, Ölçeklenebilirlik, Derin öğrenme