Heterojen çizge sinir ağlarında kontrastlı öğrenme tabanlı öneri sistemi / Halil Berk Dergi; thesis advisor Buğra Çaşkurlu.

Tez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Aralık 2023

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.

In recent years, the increase in activity on digital platforms has played a significant role in the growing interest in recommender systems. The diversification of user preferences challenges the limitations of traditional recommendation approaches, accelerating innovative research in this field. The success of Graph Neural Networks (GNN) in various application areas and the structural suitability of data in recommender systems have increased interest in GNN-based recommendation models. Despite successfully capturing high-order relations between users and items, these systems still face significant challenges such as data sparsity. As a solution to this problem, social recommendation methods that aim to improve recommendation performance by leveraging users' social networks are present in the literature. This thesis introduces an innovative heterogeneous structured model that integrates not only users' social relationships but also the categorical relationships of items. The model provides recommendations by utilizing the user-item graph, user-user social network graph, and item-category hypergraph with a simple and effective structure. Additionally, it enhances the effectiveness of the model by leveraging alignment between representations of different views through a contrastive learning mechanism. Comprehensive experiments demonstrate that the model outperforms baseline models. This study contributes significantly to the field of recommendation systems, highlighting the potential of heterogeneous structured graph neural networks and contrastive learning-based recommendation systems, offering new perspectives for future research.