Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, Fen Bil.Enst.Md.Lüğü, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: ALPER ARIK
Danışman: Nihat Adar
Özet:
Öneri sistemleri, kişi ve öğe bilgilerini kullanarak ve birbirleri ile olan etkileşimlerini işleyerek kullanıcılara göre özelleştirilmiş öneriler sunmaktadır. Kişiselleştirilmiş ürün önerileri, kullanıcıların ilgilerini çekebilecek ürünlere erişmelerini kolaylaştırmaktadır. Ders öneri sistemleri ise öğrencileri ilgilendikleri ve başarılı olabilecekleri alanlara yönlendirmeyi amaçlamaktadır. Eöğrenme sitelerinde farklı disiplinlerden çok sayıda kurs ve öğrenci bulunmaktadır. Buna karşın, eğitim kurumlarındaki öğrenciler ise önceden belirlenmiş bir müfredatı takip etmek zorundadır. Her eğitim kurumu, ders seçimi için farklı kısıtlara sahip olduğundan, ders öneri sistemi geliştirme problemine özel bir yaklaşım gerekmektedir. Problemin sınırlayıcı doğası gereği, eğitim kurumları için ders öneri sistemi geliştirilmesi zorlu bir alan olarak kabul edilmektedir. Bu çalışmada, işbirlikçi filtreleme ve içerik tabanlı filtreleme modelleri kullanan hibrit öneri sistemi önerilmiştir. İşbirlikçi filtreleme algoritması, öğrencilerin harf notlarını değerlendirme skoru olarak kullanmaktadır. İçerik tabanlı filtreleme algoritması ise öğrenciler ve dersler hakkındaki metin formatında bulunan bilgileri, doğal dil işleme yöntemleri ile özellik vektörlerine dönüştürerek kullanmaktadır. Hibrit öneri sistemini oluşturma işleminde, işbirlikçi filtreleme ve içerik tabanlı filtreleme modellerinden birer tane seçilmiş ve farklı birleştirme yöntemleri uygulanmıştır. Deneysel sonuçlarda ise, hibrit öneri sisteminin kendisini oluşturan algoritmalardan, tüm değerlendirme metriklerinde, daha başarılı sonuçlar elde edebildiği görülmüştür. Sonuç bölümündeki diyagramda, farklı kombinasyonlar ile oluşturulmuş hibrit modeller için sıralamaya duyarlı metrik değerleri gösterilmektedir. Özellikle, içerik tabanlı filtreleme ve Bayes kişiselleştirilmiş sıralamasından oluşan hibrit model, diğer tüm tekil modellerden daha iyi performans göstermiştir.