EUVIMEDEUVIMED entdecken
Crossref

A Comparative Study of Autoencoder Approaches to the Data Sparsity Problem in Recommender Systems

Ecem BÖLÜK, Mustafa Özgür CİNGİZ

Computer Science · 2022

DOI: 10.53070/bbd.1173564 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Computer Science, 2022. Verfasst von Ecem BÖLÜK und 1 weiteren Autor:innen. Die Arbeit nennt 15 Literaturangaben.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Öneri sistemleri kullanıcıların geçmişteki tercihlerinden hareketle gelecekteki tercihlerini tahmin eden sistemlerdir. Fakat kullanıcılar her zaman tercihlerini sistemlere belirtmeyebilir. Bu durum, öneri sistemleri tasarlanırken karşılaşılan en büyük sorunlardan biri olan veri seyrekliğine neden olur. Derin öğrenme algoritmalarından otomatik kodlayıcılar, seyrek kullanıcı matrisini verilerden öğrendiği iç görülerden hareketle yeniden doldurarak veri seyrekliği probleminin çözülmesini sağlar. Bu çalışmada derin öğrenme algoritmalarından Temel Otomatik Kodlayıcı, Gürültü Giderici Otomatik Kodlayıcı, Seyrek Otomatik Kodlayıcı ve Varyasyonel Otomatik Kodlayıcı olmak üzere dört farklı otomatik kodlayıcı modeli kullanılarak veri seyrekliğine karşı performansları karşılaştırılmıştır. Veri seti olarak %93,6 oranında seyrek veri içeren MovieLens-100K veri seti kullanılmıştır. Otomatik kodlayıcı modelleri öğe tabanlı öneri sistemlerinde kullanıcı tabanlı öneri sistemlerine göre daha başarılı sonuçlar sağladığı gözlemlenmiştir. Öğe tabanlı öneri sistemlerde Temel Otomatik Kodlayıcı daha iyi performans sağlarken, kullanıcı tabanlı öneri sistemlerinde ise Temel Otomatik Kodlayıcı ve Seyrek Otomatik Kodlayıcı birbirlerine çok yakın bir performans sağladıkları gözlemlenmiştir.

Zitieren

APA

BÖLÜK, E., & CİNGİZ, M. Ö. (2022). A Comparative Study of Autoencoder Approaches to the Data Sparsity Problem in Recommender Systems. Computer Science. https://doi.org/10.53070/bbd.1173564

Vancouver

BÖLÜK E, CİNGİZ MÖ. A Comparative Study of Autoencoder Approaches to the Data Sparsity Problem in Recommender Systems. Computer Science. 2022. doi:10.53070/bbd.1173564

BibTeX
@article{BLK2022,
  author = {BÖLÜK, Ecem and CİNGİZ, Mustafa Özgür},
  title = {A Comparative Study of Autoencoder Approaches to the Data Sparsity Problem in Recommender Systems},
  journal = {Computer Science},
  year = {2022},
  doi = {10.53070/bbd.1173564}
}
Kostenlos starten →