Zaman duyarlı öneriler için örtük geri bildirimden verimli şekilde kişiselleştirilmiş sıralama öğrenme

Bu tez zaman duyarlı öneriler, örtük kullanıcı geri bildirimi ve sıralama öğrenme kesişimindeki problemlere odaklanmaktadır. Zaman duyarlılığı sağlamak için başlıca zorluklara dikkat çekilmekte, örtük geri bildirimi işleyebilmenin önemi belirtilmekte ve zaman duyarlı öneriler için örtük geri bildirimden öğrenebilen modeller vurgulanarak sıralama öğrenme yöntemlerine genel bir bakış sunulmaktadır. Daha sonra ise büyük ölçekli örtük geri bildirim veri kümeleri ve akışlarını işleyebilen ve zaman duyarlı öneri oluşturmadaki zorlukları aşabilen yeni ve geliştirilmiş kişiselleştirilmiş sıralama öğrenme yöntemleri önerilmektedir. Bu öneriler şunları kapsamaktadır: (i) İşbirlikçi filtreleme için kullanıcı geri bildirim verisi akışı madenciliği ve SASCF algoritması, (ii) Paralel kişiselleştirilmiş çift ögeli sıralama öğrenme ve PLtR algoritma ailesi, (iii) Matris ayrıştırma modellerinden en üst N öge tahmin etmenin verimliliğini artırma ve MMFNN meta-algoritması, (iv) Kullanıcı oturumlarında yönelim öğrenme ve BRF algoritma ailesi, (v) Soğuk başlangıç ortamında doğru zamanlı talep dışı öneriler ve hibrit bir sıralama öğrenme yaklaşımı. Önerilen yöntemlerin hem teorik hem de gerçek hayat verileri üzerinde yapılan deneysel analizlerinin sonuçları, sıralama doğruluğu, uyum sağlayabilme, öge çeşitliliği, verimlilik ve ölçeklenebilirlik kriterleri için önemli performans ve dengeleme iyileşmeleri göstermektedir.