A meta-learning-based approach for recommendation systems

Recommender systems play a key role in mitigating information overload by approximating user preferences in e-commerce, streaming, and social media, among other fields. Traditional factorization and neighborhood-based methods are prone to cold-start and sparsity, while deep learning techniques require large-scale interactions to be able to generalize. To alleviate these limitations, this thesis presents MAMLRec, a meta-learning-based recommendation model, which introduces the Model-Agnostic Meta-Learning (MAML) framework for rapid adaptation with sparse user-item interactions. MAMLRec is evaluated on four MovieLens datasets (100k, 1M, 10M, 20M) with regression metrics and ranking metrics. 10-20% improvements are obtained on small and medium datasets compared to state-of-the-art baselines such as SVD++, with comparable performance on large-scale data. More extended experiments with demographic features (age, gender, occupation, genre) also provide evidence of flexibility, even if state-of-the-art sequential models still achieve better ranking quality than MAMLRec. Overall, the findings indicate meta-learning as a promising solution to personalization under sparse data while acknowledging its scalability constraints for extremely large datasets. By positioning MAMLRec as an adaptive yet general-purpose framework, this dissertation contributes empirically and methodologically to meta-learning for recommender systems.

Öneri sistemleri, e-ticaret, akış ve sosyal medya gibi alanlarda kullanıcı tercihlerini tahmin ederek bilgi aşırı yüklenmesini azaltmada önemli bir rol oynar. Geleneksel faktörleştirme ve mahalle tabanlı yöntemler soğuk başlatma ve seyrekliğe eğilimliyken, derin öğrenme teknikleri genelleme yapabilmek için büyük ölçekli etkileşimler gerektirir. Bu sınırlamaları hafifletmek için bu tez, seyrek kullanıcı-öğe etkileşimlerine hızlı adaptasyon için Modelden Bağımsız Meta Öğrenme (MAML) çerçevesini tanıtan meta-öğrenme tabanlı bir öneri modeli olan MAMLRec'i sunar. MAMLRec, regresyon metrikleri ve sıralama metrikleri ile dört MovieLens veri kümesi (100k, 1M, 10M, 20M) üzerinde değerlendirilmiştir. Büyük ölçekli verilerde karşılaştırılabilir performansla, SVD++ gibi en son temel değerlere kıyasla küçük ve orta ölçekli veri kümelerinde %10-20 iyileştirmeler elde edilmiştir. Demografik özelliklerle (yaş, cinsiyet, meslek, tür) yapılan daha kapsamlı deneyler, en son teknoloji sıralı modeller MAMLRec'ten daha iyi sıralama kalitesi sağlasa bile, esneklik konusunda da kanıt sunmaktadır. Genel olarak, bulgular meta-öğrenmeyi, son derece büyük veri kümeleri için ölçeklenebilirlik kısıtlamalarını kabul ederken, seyrek veriler altında kişiselleştirme için umut verici bir çözüm olarak göstermektedir. MAMLRec'i uyarlanabilir ancak genel amaçlı bir çerçeve olarak konumlandırarak, bu tez, öneri sistemleri için meta-öğrenmeye deneysel ve metodolojik olarak katkıda bulunmaktadır.