Browsing by Author "Tuncer, Suat"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Master Thesis
    Kozmetik E-Ticaretinde Kişiselleştirilmiş Ürün Önerileri için İki Kuleli (Two-Tower) Bir Getirme Yaklaşımı
    (2025) Tuncer, Suat; Çakar, Tuna
    Tavsiye sistemleri, e-ticaret platformlarında kullanıcı deneyimini geliştirmek ve etkileşimi artırmak açısından hayati bir rol oynamaktadır. Bu tez, TensorFlow Recommenders (TFRS) kullanılarak uygulanan geri getirme (retrieval) tabanlı sinir ağı mimarileriyle oluşturulmuş iki kişiselleştirilmiş ürün tavsiye yaklaşımının karşılaştırmalı analizini sunmaktadır. İlk yaklaşım, yalnızca kullanıcı ve ürün kimliklerine (ID) dayalı gömlemeleri (embedding) kullanmaktadır. İkinci model ise ürün temsilini, özellikle ürün başlığı ve üst kategori bilgilerini içeren anlamsal (semantik) içerik özellikleriyle zenginleştirmektedir. Her iki model de örtük satın alma verileriyle eğitilmiş ve en yakın komşu getirimi üzerinden recall@K ölçümünü yapan FactorizedTopK metriği ile değerlendirilmiştir. Çalışma, sıcak başlangıç (warm-start) senaryosu varsayımına dayanmakta ve ürün getirimi için gömleme uzayında anlamsal bağlamın değerine vurgu yapmaktadır. Bulgularımız, özellikle ürünler arasındaki anlamsal benzerliğin önemli olduğu durumlarda, içerik özelliklerinin dahil edilmesinin tavsiye doğruluğunu artırmada fayda sağladığını ortaya koymaktadır.
  • Thumbnail Image
    Conference Object
    Noise Effect on Forecasting
    (IEEE, 2023) Tuncer, Suat; Kayan, Ersan; Çakar, Tuna
    The lack of regulation and liquidity in crypto money markets causes higher volatility compared to other financial markets. This situation increases the noise in price change. The high noise and random walk create a problem that cannot be explained by traditional stochastic financial methods. For this reason, a multi-layered deep learning model with an additive attention layer, which uses a single observation in 10-day sequences, was used in this study. Different transformations are used to reduce the noise of the closing values. As a result of the comparisons made between different approaches, it has been revealed that exponential moving averages, to be used as the value to predict, give better results than other conversions and estimation of the original price, since they explain the price better than simple moving averages and reduce the noise of the original price.