Improvements in recommender systems: Addressing data sparsity and class imbalance with attribute integration and network science

Tavsiye sistemleri, veri kıtlığı ve sınıf dengesizliğinden etkilenir, bu da kullanıcı tavsiyelerinin kalitesini düşürür ve sistemin tüm öğe envanterini kullanma kapasitesini sınırlar. Bu sorunların giderilmesi, tavsiye doğruluğunu artırmak ve kullanıcılara uygun öneriler sunmak için kritiktir. Bu tez, işbirlikçi filtreleme (CF) algoritmalarını iyileştirmek için öğe özniteliklerini kullanıcı-öğe etkileşimine dahil ederek ve negatif örnekleme için ağ bilimini kullanarak yenilikçi yollar tanıtmaktadır. Öncelikle, CF algoritması içinde öğe özniteliklerini farklı detay seviyelerinde entegre eden bir veri granülerlik çerçevesi önerdik. Öğelerin özniteliklerinin doğrudan öğe düğümlerine dahil edildiği iki taraflı ağlar oluşturuyoruz. Bu, öğe düğümlerini detaylı bilgilerle zenginleştirir ve CF algoritmalarının veri kıtlığının olumsuz etkilerini en aza indirmesini sağlar. İkinci olarak, kullanıcı-öğe etkileşimlerinden oluşturulan iki taraflı ağ yapısını kullanarak daha bilgilendirici negatif örnekler seçerken ağ yönelimli negatif örnekleme stratejileri tasarladık. Geleneksel yöntemlerin aksine, bu stratejiler her kullanıcı için seçim sürecini kişiselleştirir ve negatif öğeleri düğüm mesafesi ve bağlantı yoğunluğu gibi faktörlere göre önceliklendirir. Bu yaklaşımlar, negatif örneklerin daha alakalı ve öneri modelini geliştirmede daha etkili olmasını sağlar. Negatif örnekleme yöntemlerimizi Grafik Konvolüsyonel Ağlar (GCN) tabanlı CF yöntemleriyle entegre ettik ve veri granülerliği üzerinde deneyler yaptık. Sonuçlar, yaklaşımlarımızın veri kıtlığı ve sınıf dengesizliğinin olumsuz etkilerini hafiflettiğini ve daha sağlam önerilere yol açtığını göstermektedir. Bu bulgular, bu alanda yeni gelişmelere zemin hazırlayabilir.