Bir Seyahat Öneri Sisteminde Modeller, Veri Stratejileri ve Hiperparametre Ayarını Keşfetmek

Abstract

Öneri sistemlerinin önemi son dönemde giderek artmaktadır. Verilerin karmaşıklığı nedeniyle kullanıcıların beğenebileceği bir öneride bulunmak giderek zorlaşıyor. Özellikle seyehat öneri sistemlerinde bir sonraki şehri önermek önemli ve zor bir görevdir. Çeşitli çalışmalara göre derin öğrenmeyi öneri sistemlerinde kullanmak önerilerin doğruluğunu arttırmaya ve karmaşık verileri ele almaya yardımcı olmaktadır. Bu tez önerilen derin öğrenme destekli seyehat öneri sistemi için yeni mimarileri, veri ve hiperparametre ayarlama tekniklerini ortaya koymaktadır. NVIDIA ekibinin WSDM WebTour 2021 yarışmasında kazanan öneri sistemi bu çalışmada kullanıldı. Kazanan çözümü anlamak için algoritma ve veri seti analiz edilip, çalışmayı geliştirmek için yeni çözümler önerilmiştir.

Recommender systems' importance has been increasing recently. It is becoming more difficult to make a recommendation that users might like because of the complex data. Especially in trip recommender systems, recommending the next city is a hard task, where recommending truly is important. According to various studies, using deep learning with recommender systems helps improve recommendations' accuracy and handle complex data. This thesis reveals new architectures, data, and hyperparameter tuning techniques for a proposed deep learning-powered trip recommender system. NVIDIA Team's winning recommender system solution in the WSDM WebTour 2021 Challenge has been used. To understand this winning solution, the algorithm and dataset have been analyzed. Then new solutions have been proposed to enhance the study.