Derin öğrenme tabanlı multimodal ürün arama sisteminin geliştirilmesi

Abstract

Son yıllarda bilgi teknolojilerindeki hızlı gelişim, e-ticaret alanında köklü dönüşümlere yol açmış ve kullanıcıların ihtiyaçlarına daha etkili biçimde yanıt verebilen öneri sistemlerinin geliştirilmesini zorunlu kılmıştır. Geleneksel ürün benzerliği arama yöntemleri genellikle tek modaliteye dayalı olup, yalnızca görsel ya da metin verileri üzerinden işlem yapmaktadır. Bu yaklaşımlar kullanıcıların çok çeşitli ve karmaşık sorgularını karşılamada yetersiz kalmakta ve öneri sistemlerinin performansını olumsuz yönde etkilemektedir. Bu bağlamda multimodal (çok modlu) yöntemler özellikle görsel ve metin verilerini entegre ederek ürün özelliklerini daha doğru temsil edebilmekte ve öneri sistemlerinin etkinliğini artırmaktadır. Bu tez çalışmasında, multimodal ürün benzerliği arama sistemleri kapsamında iki farklı ağırlıklandırma yaklaşımı karşılaştırılmıştır. Bunlardan ilki sabit ve basit bir strateji sunan Ortalama Ağırlıklandırma modeli (OA) olurken diğeri ise önerilen yenilikçi Kosinüs Benzerliğine Dayalı Dinamik Ağırlıklandırma (DA) modelidir. DA yöntemi ile multimodal vektör temsilleri arasındaki benzerlik vektörlerin yön ve büyüklük ilişkisini birlikte dikkate alan geometrik temelli bir mekanizma ile ölçülmektedir. Bu mekanizma vektörler arası benzerliği daha doğrudan ve güvenilir biçimde hesaplayarak özellikle farklı modalitelerin katkı düzeyini içerik bağlamında dinamik olarak değerlendirme kapasitesi sunmaktadır. Ayrıca DA yöntemi herhangi bir ek öğrenme süreci gerektirmemesi sayesinde modelin farklı veri kümelerine hızlıca uygulanabilmesini ve öneri sistemlerine kolay entegrasyonunu mümkün kılmaktadır. Önerilen modeller, hem gerçek dünya kaynaklı bir tekstil perakende veri setinde hem de literatürde yaygın kullanılan Fashion200K, Amazon Dresses ve Deep Fashion Multimodal veri setlerinde test edilmiştir. Elde edilen deneysel sonuçlar, DA modelinin genel olarak OA modeline kıyasla daha üstün doğruluk ve sıralama performansı sunduğunu göstermektedir. Özellikle tekstil perakendesi veri setinde kadın ve erkek giyim kategorilerinde DA modeli, HR@20, Precision@20, MAP@20 ve NDCG@20 metriklerinde tutarlı biçimde daha iyi sonuçlar elde etmiştir. Bununla birlikte Deep Fashion Multimodal veri setinde OA modeli sıralama açısından DA modelini geride bırakmıştır. Bu bulgu multimodal sistemlerde ağırlıklandırma stratejisinin veri setinin yapısı ve temsiliyet özelliklerine bağlı olarak değişkenlik gösterebileceğini ortaya koysa da DA modelinin genel performans üstünlüğü ve adaptif yapısı dikkat çekicidir. Çalışmada ayrıca benzerlik aramasında tek tip ağırlıklandırmanın her zaman en iyi sonuçları vermediği ve model tasarımında veri setine özgü uyarlamaların kritik olduğu vurgulanmaktadır. Önerilen DA yöntemi vektörlerin ölçek ve yön bilgilerini dikkate alan yapısı sayesinde korelasyon temelli yaklaşımlara göre daha esnek, doğrudan ve güvenilir bir benzerlik ölçüm mekanizması sunmaktadır. Bu sayede gerçek zamanlı ve ölçeklenebilir multimodal ürün benzerliği aramalarında pratik avantajlar sağlamaktadır. Sonuç olarak bu çalışma, multimodal sinir ağı tabanlı ürün benzerliği arama sistemlerinde ağırlıklandırma stratejisinin performans üzerindeki belirleyici etkisini ortaya koymakta ve farklı veri setlerine uyarlanabilir, eğitim gerektirmeyen, dinamik yöntemlerin geliştirilmesinin gerekliliğini vurgulamaktadır. Elde edilen bulgular, e-ticaret platformlarında kullanıcı deneyimini iyileştirmek ve ürün önerilerinin doğruluğunu artırmak açısından multimodal yaklaşımların işlevsel ve uygulanabilir olduğunu göstermektedir.