Kıyafet Öneri Sistemi için Giyim Metaverilerine dayalı Temsil Öğrenimi

Dönder, Ahmet; Kakisim, Arzu Gorgulu

doi:10.31590/ejosat.1008736

Cited by 3 publications

(5 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The Doc2Vec model has two methods, the distributed memory version of the paragraph vector (PV-DM) and the distributed bag-of-words version of the paragraph vector (PV-DBOW), which are shown in Figure 6 and Figure 7, respectively [20]. The PV-DM in the Doc2Vec model corresponds to the CBOW in the W2V model, while the PV-DBOW method is implemented as a skip-gram method [21]. In the study, the hyperparameter settings for Doc2Vec were taken as vector size 100 and 200, window size 5, min-count 5.…”

Section: Doc2vecmentioning

confidence: 99%

“…In 1950, Alan Turing introduced the idea of machines thinking like humans. The emergence of machine learning as we know it today dates back to the 1980s [21]. In this study, SVM, NB, KNN, LR from machine learning methods are used.…”

Section: Machine Learningmentioning

confidence: 99%

“…Named in honor of the English mathematician Edmund Bayes, the algorithm belongs to the class of statistical classification methods. The Bayesian classifier is based on Bayes' theorem [21].…”

Section: Naïve Bayesmentioning

confidence: 99%

See 2 more Smart Citations

Sentiment analysis of coronavirus data with ensemble and machine learning methods

Başarslan,

Kayaalp

2024

Turkish Journal of Engineering

View full text Add to dashboard Cite

The coronavirus pandemic has distanced people from social life and increased the use of social media. People's emotions can be determined with text data collected from social media applications. This is used in many fields, especially in commerce. This study aims to predict people's sentiments about the pandemic by applying sentiment analysis to Twitter tweets about the pandemic using single machine learning classifiers (Decision Tree-DT, K-Nearest Neighbor-KNN, Logistic Regression-LR, Naïve Bayes-NB, Random Forest-RF) and ensemble learning methods (Majority Voting (MV), Probabilistic Voting (PV), and Stacking (STCK)). After vectorizing the tweets using two predictive methods, Word2Vec (W2V) and Doc2Vec, and two traditional word representation methods, Term Frequency-Inverse Document Frequency (TF-IDF) and Bag of Words (BOW), classification models built using single machine learning classifiers were compared to models built using ensemble learning methods (MV, PV and STCK) by heterogeneously combining single machine classifier algorithms. Accuracy (ACC), F-measure (F), precision (P), and recall (R) were used as performance measures, with training/test separation rates of 70%-30% and 80%-20%, respectively. Among these models, the ACC of ensemble learning models ranged from 89% to 73%, while the ACC of single classifier models ranged from 60% to 80%. Among the ensemble learning methods, STCK with Doc2Vec text representation/embedding method gave the best ACC result of 89%. According to the experimental results, ensemble models built with heterogeneous machine learning classifier algorithms gave better results than single machine learning classifier algorithms.

show abstract

Section: Doc2vecmentioning

confidence: 99%

Section: Machine Learningmentioning

confidence: 99%

See 1 more Smart Citation

Sentiment analysis of coronavirus data with ensemble and machine learning methods

Başarslan,

Kayaalp

2024

Turkish Journal of Engineering

View full text Add to dashboard Cite

show abstract

“…Dündar ve Kakişim ürünlerin özellikleri arasındaki güçlü korelasyon durumunu kullanarak kıyafet öneri sistemi üzerine çalışma gerçekleştirmişlerdir. Çalışma kapsamında ağırlıklı graf yapısı üzerinde ürünlere ait özelliklerin ağırlıklandırılması ve bunun öğrenilmesine dayanan sistem sayesinde müşterilerin alışveriş davranışlarına göre en uygun kıyafetin önerilmesi sağlanmıştır [5]. Bal ve ark.…”

Section: Literatür Taramasıunclassified

Yapay Öğrenme Teknikleriyle Milli Eğitim Bakanlığı’nda Yarı Zamanlı Öğretmenlerin Görevlendirilmesi

ERDAĞI

Tunalı

2022

Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi

View full text Add to dashboard Cite

Bu çalışmada okullarda görev alacak yarı zamanlı öğretmenlere yönelik verinin çeşitli sınıflandırma algoritmaları kullanılarak, yapılan atamaların başarı ölçümünü gözlemlemek ve yapılan işlemin yapay zeka destekli sınıflandırma algoritmaları ile yürütülmesi durumuna yönelik analizi gerçekleştirilmiştir. Çalışmada web tabanlı bir uygulama üzerinden yapılan başvurular ile elde edilen verilerin, gereksinimler doğrultusunda yapılan atama ölçütlerine yönelik başarımı ölçülmüştür. Bunun için 3053 adayın başvurduğu sistemden gereksinim doğrultusundaki 894 adayın atanmasına yönelik öznitelikler üzerinde çalışılmıştır. Altı farklı sınıflandırıcı üzerinde yapılan çalışmada 0,71 Doğruluk ve 0,77 F-ölçüsü ile en iyi sonucu Rassal Orman Sınıflandırıcısı vermiştir. Yapılan bu çalışma ile atama ölçünlerinin ağırlıklarına göre bu çalışmanın uygun sınıflandırıcılar ile yürütülmesi ve bu alanda kullanılabileceği gösterilmiştir.

show abstract

“…Yöntemin sınıflandırma başarı performansını ölçmek için Rastgele Orman (RF) kullanılmış olup F-ölçüm (Mikro) %76,72 bulunmuştur. Karşılaştırma için kullanılan yöntemlerde F-ölçüm (Mikro) değerleri Word2Vec için %62,92 ve Doc2Vec için %60,74 olarak sınıflandırma başarısı göstermiştir [9]. Perakende sektöründe giyim alanında yapılan bu çalışma incelenerek özellikle ev tekstili kategorisinde yapılacak ürün önerilerine katkı sağlanmıştır.…”

Section: Introductionunclassified

Bir Perakende Firmasında Metin Benzerliği ve Tekil Değer Ayrışımı Algoritması Tabanlı Ürün Öneri Sisteminin Oluşturulması

ERDEMİR>¹

2022

Bayburt Üniversitesi Fen Bilimleri Dergisi

View full text Add to dashboard Cite

Günümüzde şirketlerin dijital dönüşüm kapsamında yaptığı çalışmalar özellikle pandemi sonrası tüketiciden gelen talebin artmasıyla giderek hız kazanmıştır. Bu bağlamda, E-Ticaret alanında web site ve mobil uygulamalarda müşteriye en uygun ürün önerilerinin sunulması, müşteri ihtiyaçlarının karşılanması ve şirketlerin satış hedeflerinin gerçekleştirilmesi için ürün öneri sistemlerine ihtiyaç duyulmuştur. Bu alanda yapılan çalışmalar, ürün tipi ve çeşitliliği değişkenlik gösterdiği için çoğu zaman mantıksız ve yanlış ürün önerilerinin tüketicilere sunulmasına yol açtığı, farklı sitelerin ürün önerileri incelendiğinde açıkça görülmüştür. Bu çalışmada, şirketin ürün ve veri yapısına göre en uygun şekilde veri manipülasyonun gerçekleştirilmesi, özelleştirilmiş fonksiyonların yazılması, Metin Benzerliği ve Tekil Değer Ayrışımı algoritmasına dahil olarak en uygun tamamlayıcı ürünlerin gösterilmesi sağlanmıştır. En uygun algoritmanın geliştirilerek yazılımı tamamlanmıştır. Elde edilen ürün önerileri web sitesi ve mobil uygulamada canlıya alınmıştır. Sonuçları Google Analytics üzerinden ve Python kodlarıyla ayrı ayrı gözlemlenmiştir. Yapılan çalışma sonucunda geliştirilen ürün öneri sisteminin mevcut sisteme kıyasla set halinde satılan ürünlerde %7,62, tekli olarak satılan ürünlerde ise %11,2 oranında daha iyi performans gösterdiği gözlemlenmiştir. Ayrıca ilgili alanın web site ve mobil uygulamada görüntülenme sayısı %7,17, tıklanma sayısı %28,93 artış göstermiştir. Ürün önerilerinin mevcut duruma kıyasla daha mantıklı ve tamamlayıcı olarak daha ilişkili ürün önerileri sunduğu tespit edilmiştir ve ilgili alanlar farklı zamanlarda incelenerek gözlemlenmiştir.

show abstract

Kıyafet Öneri Sistemi için Giyim Metaverilerine dayalı Temsil Öğrenimi

Cited by 3 publications

References 12 publications

Sentiment analysis of coronavirus data with ensemble and machine learning methods

Sentiment analysis of coronavirus data with ensemble and machine learning methods

Yapay Öğrenme Teknikleriyle Milli Eğitim Bakanlığı’nda Yarı Zamanlı Öğretmenlerin Görevlendirilmesi

Bir Perakende Firmasında Metin Benzerliği ve Tekil Değer Ayrışımı Algoritması Tabanlı Ürün Öneri Sisteminin Oluşturulması

Contact Info

Product

Resources

About