Heterojen çizge sinir ağlarında kontrastlı öğrenme tabanlı öneri sistemi

Son yıllarda dijital platformlardaki etkinlik artışı, öneri sistemlerine olan ilginin büyümesinde önemli bir rolü vardır. Kullanıcı tercihlerinin çeşitlenmesi, geleneksel öneri yaklaşımlarının sınırlarını zorlamakta ve bu alandaki yenilikçi araştırmaları hızlandırmaktadır. Çizge Sinir Ağları'nın (GNN) çeşitli birçok uygulama alanında elde ettiği başarılar ve öneri sistemlerindeki verinin yapısal uygunluğu, GNN tabanlı öneri modellerine yönelik ilgiyi arttırmıştır. Kullanıcı ve ürün arasındaki yüksek dereceli etkileşimleri başarıyla yakalayan bu sistemler, hâlâ veri seyrekliği gibi önemli sorunlarla karşı karşıyadır. Bu soruna çözüm olarak, kullanıcıların sosyal ağlarından yararlanarak öneri performansını artırmaya çalışan sosyal öneri yöntemleri literatürde yer almaktadır. Bu tez, kullanıcıların sosyal ilişkilerinin yanı sıra ürünlerin kategorik ilişkilerini de entegre eden yenilikçi bir heterojen yapılı model sunmaktadır. Model basit ve sade yapısı ile kullanıcı-ürün çizgesini, kullanıcı-kullanıcı sosyal ağ çizgesini ve ürün-kategori hiper çizgesini kullanarak öneriler sunar. Ayrıca, kontrastlı öğrenme mekanizmasıyla farklı görünümdeki temsil vektörleri arasında uyum sağlayarak modelin etkinliğini artırır. Yapılan kapsamlı deneyler, modelin temel modellere göre üstün performans sergilediğini göstermektedir. Bu çalışma, öneri sistemleri alanına önemli bir katkı sağlamakta, heterojen yapılı çizge sinir ağları ve kontrastlı öğrenmeye dayalı öneri sistemlerinin potansiyelini ortaya koymakta ve gelecekteki araştırmalara yeni bakış açıları sunmaktadır.