Publication: Moda kategorisine yönelik evrişimli sinir ağları tabanlı öneri sistemi tasarımı= Convolutional neural network based recommendation system design for fashion category
Abstract
Kalabalık ve rekabetçi bir pazarda öne çıkmaya çalışan işletmeler için kişiselleştirme, son yıllarda önemli bir odak noktası haline gelmiştir. Yapay zeka ve makine öğrenimi tabanlı öneri sistemleri, işletmelerin son derece kişiselleştirilmiş müşteri deneyimleri sağlamaları için güçlü bir araç olarak kullanılmaktadır. İşletmeler, her müşterinin özel ihtiyaç ve ilgi alanlarına göre uyarlanmış öneriler sunarak müşteri deneyimini iyileştirmekte ve satış yapma olasılıklarını arttırmaktadır. Küresel ölçekte dijitalleşmenin hız kazanmasıyla birlikte e-ticaret sektörü de bu süreçten oldukça fayda sağlamaktadır. Bu da e-ticaret sektöründe kişiselleştirmeye yönelik rekabeti arttırmaktta ve kişiselleştirme teknolojilerinin değerinin artmasına olanak sağlamaktadır. Bu çalışma, herhangi bir ürün sayfasında bulunan görsel üzerinde, tüm ürün gruplarına öneriler sunabilecek evrişimli yapay sinir ağı tabanlı bir yapay öğrenme sistemi önermeyi amaçlamaktadır. Üç aşamadan oluşan yapay öğrenme sistemi, ilk aşamada nesne tespiti ikinci aşamada gömülü temsil öğrenim ve son aşamada ise yaklaşık en yakın komşu algoritmaları üzerinden ilerlemektedir. Deney süreci içerisinde, ilk aşama için MaskRCNN mimarisinin iMaterialist veri seti üzerinde farklı hiper parametreler üzerinden eğitilmiş ve farklı iou eşikleri için mAP değerleri karşılaştırıldığında en etkili sonuç resnet 101 omurgasına sahip ve tüm katmanları önceden eğitilmiş ağırlıklar üzerinden eğitime devam edilerek alınmıştır.İkinci aşama ve üçüncü aşama birlikte değerlendirilip ikinci aşama için Resnet16, Vgg18 ve VİT modelleri sokaktan dükkana veri seti ile eğitilip annoy en yakın komşu algoritması üzerinden benzerlik önerileri gerçekleştirilmiştir ve farklı k değerleri üzerinden precision@k ve recall@k metrikleri ile değerlendirilmiştir. Değerlerndirme sonucunda VİT mimarisine sahip model tüm metriklerde diğer mimarilere kıyasla daha iyi sonuçlar elde etmiştir.
Personalization has become a key focus for businesses in recent years as they try to stand out in a crowded and competitive market. AI and machine learning-based recommendation engines can be a powerful tool for businesses to provide highly personalized customer experiences. By providing recommendations that are tailored to the specific needs and interests of each customer, businesses improve the customer experience and increase the likelihood of making a sale.With the acceleration of digitalization on a global scale, the e-commerce sector is gaining more power than ever before. This increases the competition for personalization in the e-commerce sector and allows the value of personalization technologies to increase. This study will propose a convolutional artificial neural network-based artificial learning system that will be able to offer suggestions to all product groups on the image on any product page. The artificial learning system consists of three stages, in the first stage object detection, in the second stage embedded representation learning, and in the third stage approximate nearest neighbor algorithms are used. During the experimentation process, in the first stage, the MaskRCNN architecture was trained on the iMaterialist dataset with different hyperparameters and the mAP values were compared for different iou thresholds. The most effective result was obtained by continuing the training using pretrained resnet 101 backbone. In the second stage, Resnet16, Vgg18, and VIT models were trained on the street-to-shop data set and similarity recommendations were made using the annoy nearest neighbor algorithm and precision@k and recall@k metrics were evaluated using different k values. As a result of the evaluation, the VIT architecture model obtained better results in all metrics compared to the other architectures.
Personalization has become a key focus for businesses in recent years as they try to stand out in a crowded and competitive market. AI and machine learning-based recommendation engines can be a powerful tool for businesses to provide highly personalized customer experiences. By providing recommendations that are tailored to the specific needs and interests of each customer, businesses improve the customer experience and increase the likelihood of making a sale.With the acceleration of digitalization on a global scale, the e-commerce sector is gaining more power than ever before. This increases the competition for personalization in the e-commerce sector and allows the value of personalization technologies to increase. This study will propose a convolutional artificial neural network-based artificial learning system that will be able to offer suggestions to all product groups on the image on any product page. The artificial learning system consists of three stages, in the first stage object detection, in the second stage embedded representation learning, and in the third stage approximate nearest neighbor algorithms are used. During the experimentation process, in the first stage, the MaskRCNN architecture was trained on the iMaterialist dataset with different hyperparameters and the mAP values were compared for different iou thresholds. The most effective result was obtained by continuing the training using pretrained resnet 101 backbone. In the second stage, Resnet16, Vgg18, and VIT models were trained on the street-to-shop data set and similarity recommendations were made using the annoy nearest neighbor algorithm and precision@k and recall@k metrics were evaluated using different k values. As a result of the evaluation, the VIT architecture model obtained better results in all metrics compared to the other architectures.