Modelling user habits and providing recommendations based on hybrid television standards using artificial neural networks together with genetic algorithms

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2017

Tezin Dili: İngilizce

Öğrenci: İHSAN TOPALLI

Danışman: SELÇUK KILINÇ

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tezde, yapay zekâ ve televizyon alanında geliştirilen son teknolojiler ile akıllı öneriler yapan yeni bir yöntem sunulmuştur. Bunu yapabilmek için, genetik algoritma (GA), yapay sinir ağı (YSA) ve Karma Yayın Genişbant Televizyon (KygTV) birleştirilerek kullanıcının televizyon izleme alışkanlıkları elde edilmiş ve profiller yaratılmıştır. Sonrasında bu profilleme baz alınarak kullanıcıya TV programları önerilmiştir. Bir KygTV uygulaması geliştirilerek gerçek televizyon izleme verisi toplanmıştır. Bu veri daha sonra kullanıcıları kümelemek için kullanılmıştır. Küme sayısı, bu tezde önerilen bir yöntem olan "GA ile Kontrollü Kümeleme (GAKK)" ile bulunmuştur. GAKK ile oluşturulan her küme için, ilgili kümenin kullanıcılarının izleme alışkanlıklarını öğrenmek üzere ayrı bir YSA tasarlanmıştır. Ağırlık dizeylerinin ilk değerleri de GA ile belirlenmiştir. Oluşturulan model sonrasında kullanıcılara aynı KygTV uygulaması ile öneriler sunmak için kullanılmıştır. Bu çalışmanın yeniliği birkaç alanda yer almaktadır. Bu, asıl olarak yayıncı tarafı ile ilgili bir yöntem olduğu ve KygTV yaygınca kabul edilmiş açık bir tüketici elektroniği standardı olduğu için önerilen bu yöntem alıcıdan bağımsızdır ve farklı alıcı markaları kullanan birçok kişiye ulaşabilir. Bu çalışmanın ana motivasyonu da budur. Kullanıcıları kümelendirmek YSA bazlı öğrenme kısmını geliştirmiştir. Bütün kullanıcıları aynı YSA'ya atamaktansa, açık yollarla elde edilen tercih edilen tür bilgisi kullanılarak kümeleme yöntemi kullanılmıştır. GA, kümeleme seçeneklerinden biridir, fakat iyi bilinen K-ortalamalar kümeleme algoritması ile kıyaslandığında daha iyi bir yaklaşım olarak kendini kabul ettirmiştir. GA ile kümelemede cezalandırıcı bir dönüşüm uygulamak, işlem maliyeti ve zamanı açısından önemli bir değişken olan YSA ağ boyutunu kontrol altında tutmaktadır. Benzer şekilde, YSA eğitimine rasgele değerler yerine önceden işlenmiş ağırlıklarla başlamak verimi arttırmaktadır.