Özet:
E-ticaret sektöründe ürün çeşitliliğinin ve kullanıcı sayısının artması, kişiselleştirilmiş öneri sistemlerini önemli bir ihtiyaç haline getirmiştir. Kullanıcı davranışlarının doğru analiz edilmesi; müşteri memnuniyetinin artırılması, kullanıcı deneyiminin iyileştirilmesi ve satış performansının yükseltilmesi açısından kritik rol oynamaktadır. Bu çalışmada, e-ticaret platformları için hibrit derin öğrenme tabanlı bir öneri sistemi geliştirilmiştir. Önerilen model, işbirlikçi filtreleme ve içerik tabanlı filtreleme yöntemlerini derin öğrenme teknikleri ile birleştiren hibrit bir mimariye sahiptir. İşbirlikçi filtreleme bileşeni kullanıcı davranışlarındaki benzerlikleri öğrenirken, içerik tabanlı bileşen ürün özelliklerinden yararlanarak ürünler arasındaki ilişkileri modellemektedir. Elde edilen özellikler, PyTorch ortamında geliştirilen çok katmanlı algılayıcı (MLP) tabanlı bir yapı ile birleştirilerek nihai öneri skoru üretilmiştir. Çalışmada örtük geri bildirim verileri kullanılmıştır. Bu tezde, açık puan (yıldız) olmadan yalnızca görüntüleme, sepete ekleme ve satın alma olaylarından öğrenen bir örtük geri bildirim öneri sistemi geliştirilmiştir. Önerilen yöntem hibrit derin öğrenme mimarisidir: işbirlikçi kanal, kullanıcı ve ürün kimliklerinden topluluk davranışını; içerik kanalı ise kategori, marka ve fiyat bilgisinden ürün benzerliğini temsil eder. İki sinyal sinir ağında birleştirilerek tek bir ilgi skoru üretilir. Eğitim BPR (Bayesian Personalized Ranking) ile yapılır; optimizasyon Adam algoritması ile gerçekleştirilir, nihai model, doğrulama kümesinde Recall@10 en yüksek olan epoch'un ağırlıkları ile seçilir. Veri: Gerçek mağaza olay günlüğünde 109.950.743 satır, 5.316.649 kullanıcı, 206.876 ürün bulunmaktadır. Zamansal bölme sonrası train 76.965.521, validation 10.995.074, test 21.990.148 satırdır. Bu istatistikler, veri hazırlığı aşamasında gerçekleştirilen keşifsel veri analizi (EDA) raporlarından elde edilmiştir. Veri seti üzerinde yapılan deneyler sonucunda önerilen hibrit modelin, geleneksel tekil yöntemlere kıyasla daha başarılı sonuçlar verdiği gözlemlenmiştir. Test sonuçlarında dört modelin (MF, içerik tabanlı, basit hibrit, derin hibrit) aynı eğitim alt kümesi (%5,84) ve aynı 5.000 test kullanıcısı ile karşılaştırıldığı deneyde derin hibrit Recall@10 = 0,0550 ve NDCG@10 = 0,0490 değerleriyle tüm karşılaştırılan modelleri geçmiştir.
