Basit öğe kaydını göster

Topic Model Based Recommendation Systems Retailers

dc.contributor.advisorErcan, Gönenç
dc.contributor.authorAl Washahi, Rima
dc.date.accessioned2017-06-13T05:47:41Z
dc.date.available2017-06-13T05:47:41Z
dc.date.issued2016
dc.date.submitted2016-11-07
dc.identifier.urihttp://hdl.handle.net/11655/3493
dc.description.abstractNowadays, sellers need very good strategy to keep their customers’ loyalty and to attract new customers to their shops. One of the important ways to accomplish this task is to present new and interesting items to their customers. In this thesis, we propose a new recommender system (RS) which recommends new items to sellers that they did not sell previously in their shop. Most of the RSs, recommend items to customers; unlike traditional RSs, proposed model is designed to suggest new items to sellers. In order to build the model we adopted generative models that are used in text mining domain. Specifically, the probabilistic latent semantic analysis (pLSA) techniqueis extendedto build the proposed RS . Several experiments are conducted using a real world dataset to validate the model. Furthermore, Collaborative Filtering (CF) method is used as a baseline algorithm to compare the performance of the proposed algorithm to state-of-the-art.Our experiments suggest that the proposed recommender system is more efficient than the pure CF algorithm for this task.tr_TR
dc.description.tableofcontentsTable of Contents ABSTRACT ................................ ................................ ................................ ................................ .................. i ÖZET ................................ ................................ ................................ ................................ .......................... ii ACKNOWLEDGEMENTS ................................ ................................ ................................ ............................ iv ABBREVIATIONS ................................ ................................ ................................ ................................ ...... vii INTRODUCTION ................................ ................................ ................................ ................................ ........ 1 1.1. Overview and Motivation ................................ ................................ ................................ ......... 1 1.2. Contribution of the Thesis ................................ ................................ ................................ ........ 2 1.3. Thesis Structure ................................ ................................ ................................ ........................ 2 RECOMMENDER SYSTEMS ................................ ................................ ................................ ....................... 4 2.1. The Utility Matrix ................................ ................................ ................................ ..................... 5 2.2. The Long Tail ................................ ................................ ................................ ............................ 6 2.3. Content Based Recommender Systems ................................ ................................ ................... 6 2.4. Collaborative Filtering ................................ ................................ ................................ .............. 7 2.4.1. User Based Collaborative Filtering ................................ ................................ ................... 7 2.4.2. Item Based Collaborative Filtering ................................ ................................ ................... 7 2.4.3. Computing Similarity ................................ ................................ ................................ ........ 8 2.5. Singular Value Decomposition (SVD) ................................ ................................ ....................... 9 2.6. Probabilistic Methods for Recommender Systems ................................ ................................ 10 2.7. Recommender Systems Major Challenges ................................ ................................ ............. 10 2.8. Related Work ................................ ................................ ................................ .......................... 12 3. PROBABILISTIC TOPIC MODELS ................................ ................................ ................................ ...... 15 3.1. Generative Models: ................................ ................................ ................................ ................ 16 3.2. Latent Dirichlet Allocation: ................................ ................................ ................................ ..... 16 3.3. Prob abilistic Latent Semantic Analysis ................................ ................................ ................... 19 4. PROPOSED MODEL ................................ ................................ ................................ ......................... 27 5. EXPERIMENTS AND EVALUATION ................................ ................................ ................................ .. 34 5.1. Calculating Ground Truth ................................ ................................ ................................ ....... 34 5.2. Defining number of latent variables ................................ ................................ ...................... 34 5.3. Item Association Test ................................ ................................ ................................ ............. 35 5.4. Main Experiments ................................ ................................ ................................ .................. 37 vi 5.4.1. Data Set ................................ ................................ ................................ .......................... 37 5.4.2. Experimental S teps ................................ ................................ ................................ ......... 37 5.4.3. Evaluation Metrics ................................ ................................ ................................ .......... 38 5.4.4. Experimental Results ................................ ................................ ................................ ...... 40 5.4.5. Discussion of the Main Experimental Results ................................ ................................ 41 6. CONCLUSION AND FUTURE WORK ................................ ................................ ................................ . 43 7. APPENDICES ................................ ................................ ................................ ................................ ... 45 REFERENCES ................................ ................................ ................................ ................................ ........... 49tr_TR
dc.language.isoentr_TR
dc.publisherFen Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.titleTopic Model Based Recommendation Systems Retailerstr_TR
dc.title.alternativeSatıcılar için konu modelleme yöntemine dayalı öneri sistemitr_TR
dc.typeinfo:eu-repo/semantics/masterThesistr_TR
dc.description.ozetGünümüzde, satıcılarındaha fazla müşteri kazanmak,var olan müşterilerinin sadakatını sürdürmek ve artırabilmek için iyi bir stratejiye ihtiyaçları vardır. Bu görevi gerçekleştimek için en iyi yollardan birisi müşteri profiline uygun ve müşterinin ihtiyacını karşılayabilecek yeni ürünleri(daha önce satışı bulunmayan) müşterilere sunmaktır. Bu tezde, satıcılara yardımcı olabilmek için yeni ürün önerme yeteneğine sahip bir öneri sistemi geliştirilm iştir. Klasik öneri sistemleri müşteriye ürün önermek için geliştirilmiştir, ancak bu çalışmada geliştirilen sistemin en büyük farklarından birisi müşteriye değil satıcıya yönelik yeni ürünleri önerebilen bir öneri sistemi geliştirmektir. Söz konusu sistemi geliştirebilmek için “Olasalıksal Örtük Anlam Analizi” metodu genişletilmiştir. Genişletilen metodun asıl amacı müşterileri alışveriş verilerini kullanarak satıcıların satma olasılığı yüksek olan yeni ürünleri tespit etmektir. Bu amaç doğrultusunda üç temel veri kaynağı dikkate alınmıştır; müşteri, müşterinin ziyaret ettiği veya alışveriş yaptığı satıcı ve müşterinin aldığı ürün. Bahsedilen veri kaynakları kullanılarak ilgili değişken olasılıkları hesaplayabilmek için olasılıksal model geliştirilmiştir. Bu modelin doğrulanabilmesi için gerçek müşteri veri setlerini kullanarak deneyler yapılmıştır. Ayrıca deney sonuçlarının karşılaştırılması ve daha uygun değerlendirme yapılabilmesi için “İşbirliğine Dayalı Filtreleme” methodu bazal algoritma olarak kullanılmıştır. Aynı deney koşulları sağlanarak iki algoritma aynı verilerle test edilmiş ve sonuçlar karşılaştırılmıştır. Test neticelerine göre bu tez doğrultusunda tasarlanan modelden daha doğru ve gerçeğe yakın sonuçlar alındığı gözlemlenmiştir.tr_TR
dc.contributor.departmentBilgisayar Mühendisliğitr_TR


Bu öğenin dosyaları:

Ad:
444639.pdf
Boyut:
1.900Mb
Biçim:
PDF
Göster/Aç

Bu öğe aşağıdaki koleksiyon(lar)da görünmektedir.

Basit öğe kaydını göster