Big Data Testing Framework for Recommendation Systems in e-Science and e-Commerce Domains

Uzun‐Per, Meryem; Can, Ali; Gurel, Ahmet Volkan; Aktaş, Mehmet S.

doi:10.1109/bigdata52589.2021.9672082

Cited by 13 publications

(7 citation statements)

References 33 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The scalability test is done using the SpeedUp metric proposed in previous work. 5,58 3. Memory usage: We record the memory usage while the algorithms are running every second.…”

Section: Scalability Testmentioning

confidence: 99%

“…Running time test: We report the execution time of the studied algorithms on a different number of Apache Spark nodes. Scalability test: We measure the gain/loss in the elapsed time of the algorithms' execution on a different number of Apache Spark nodes. The scalability test is done using the SpeedUp metric proposed in previous work 5,58 Memory usage: We record the memory usage while the algorithms are running every second.…”

Section: Experimental Study Detailsmentioning

confidence: 99%

See 1 more Smart Citation

On the big data processing algorithms for finding frequent sequences

Can¹,

Zaval

Uzun‐Per

et al. 2023

Concurrency and Computation

Self Cite

View full text Add to dashboard Cite

Sequential pattern mining algorithms extract trendy sequence appearances inside ordered transactional datasets such as market basket datasets. There is a lack of research employing big data processing techniques to locate frequent sequences on large‐scale datasets. Furthermore, there is a need for optimized sequential pattern mining algorithms that run on ordered one‐dimensional sequences. We also observe a lack of sequential pattern search studies in the literature, where the focus is centered around multi‐dimensional data sequences. Existing approaches that deal with ordered one‐dimensional datasets suffer from scalability issues as the amount of data to be analyzed is enormous. This research investigates the big data processing techniques used to find frequent sequences in large‐scale datasets. It also proposes a scalable sequence pattern mining algorithm called Sequential Pattern Acquisition by Reducing Search Space (SPARSS) designed for distributed data processing systems that efficiently handle large datasets containing sequential one‐element data. It introduces a prototype implementation of SPARSS and provides information on the SPARSS's memory and time requirements, which were calculated as part of experimental studies on a real‐world dataset. The results confirm our expectations and demonstrate SPARSS's superior scalability and run‐time efficiency compared to other distributed algorithms.

show abstract

“…The scalability test is done using the SpeedUp metric proposed in previous work. 5,58 3. Memory usage: We record the memory usage while the algorithms are running every second.…”

Section: Scalability Testmentioning

confidence: 99%

Section: Experimental Study Detailsmentioning

confidence: 99%

On the big data processing algorithms for finding frequent sequences

Can¹,

Zaval

Uzun‐Per

et al. 2023

Concurrency and Computation

Self Cite

View full text Add to dashboard Cite

show abstract

“…Bu nedenle, uçak bileti satışı konsolidatör acentesi olan BiletBank'ın 2012-2017 yılları arasındaki verisi kullanılarak önerilen uçuş öneri sistemi test edilmiştir. Aynı veri seti kısmi olarak [50][51][52][53] çalışmalarında da kullanılmıştır. [50]'de Spark büyük veri platformu üzerinde koşturulan işbirlikçi algoritmalar kullanılarak bir uçuş öneri sistemi geliştirilmiştir.…”

Section: Veri Kümesiunclassified

“…Aynı veri seti kısmi olarak [50][51][52][53] çalışmalarında da kullanılmıştır. [50]'de Spark büyük veri platformu üzerinde koşturulan işbirlikçi algoritmalar kullanılarak bir uçuş öneri sistemi geliştirilmiştir. [51]'te uçuş için satılan ek hizmetler değerlendirilerek ek hizmetler öneri sistemi geliştirilmiştir.…”

Section: Veri Kümesiunclassified

Kullanıcı ve Öğe Bazlı, Geniş ve Derin Öğrenme Tabanlı Seyahat Öneri Sistemi

ÖZ,

UZUN-PER,

BAL

2023

EJOSAT

Self Cite

View full text Add to dashboard Cite

Teknolojinin gelişmesi ile birlikte artan dijital bilgi miktarı ve internetin yaygınlaşması ile internet üzerinden ürün, hizmet, abonelik gibi ticaret işlemlerinin gerçekleştiği web sitelerinin sayısının da artması, beraberinde, müşterilere kişiselleştirilmiş ve doğru; ürün, hizmet ve abonelikleri sunmanın (önermenin) de önemini artmıştır. Müşterilere önerilerde yaygın olarak kullanılan ürün bazlı, kullanıcı tabanlı ve bu ikisinin birlikte kullanıldığı hibrit geleneksel yaklaşımlar çoğu çalışmada kullanılmaktadır. Geleneksel yaklaşımların, büyük ve seyrek veriler ile çalışma, kullanıcı ve ürün arasındaki karışık ilişkileri bulamama ve soğuk başlangıç (cold start) gibi problemlerinin üstesinden gelmek, derin ve geniş öğrenme sistemlerinin kullanımı ile mümkün olmuştur. Bu çalışma kapsamında, derin ve geniş sinir ağlarına ve bunların seyahat öneri sistemlerindeki uygulamalarına kapsamlı bir bakış açısı sunulmuştur. Derin öğrenme ile ilgili temel bilgilere yer verildikten sonra, en popüler öneri algoritmaları olan Google'ın Geniş ve Derin Algoritması ve Facebook'un Deep Learning Recommendation Model (DLRM) algoritmasına yer verilmiştir. Bu çalışma kapsamında, geniş ve derin öğrenme yaklaşımı ile kullanıcı ve ürün özelliklerinin kategorik olanlarının gömme işlemi uygulanarak, nümerik veriler ile modele beslendiği yeni bir seyahat öneri sistemi oluşturulmuştur. Önerilen yöntem gerçek bir seyahat acentesi şirketinin veri seti üzerinde uygulanmıştır. Bu çalışma sonucunda kullanıcılara verilen en iyi beş öneride, %82.37 doğruluk oranı yakalanmıştır.

show abstract

“…In recent years, various big data platforms have emerged [66]. For example, Hadoop and Spark [52], both developed by the Apache Software Foundation, are widely used open-source frameworks for big data architectures [52,67].…”

Section: Data Partition Map Reducementioning

confidence: 99%

A Survey on Modern Recommendation System based on Big Data

Peng¹

2022

Preprint

View full text Add to dashboard Cite

Recommendation systems have become very popular in recent years and are used in various web applications. Modern recommendation systems aim at providing users with personalized recommendations of online products or services. Various recommendation techniques, such as content-based, collaborative filtering-based, knowledge-based, and hybrid-based recommendation systems, have been developed to fulfill the needs in different scenarios. This paper presents a comprehensive review of historical and recent state-of-the-art recommendation approaches, followed by an in-depth analysis of groundbreaking advances in modern recommendation systems based on big data. Furthermore, this paper reviews the issues faced in modern recommendation systems such as sparsity, scalability, and diversity and illustrates how these challenges can be transformed into prolific future research avenues.

show abstract

Big Data Testing Framework for Recommendation Systems in e-Science and e-Commerce Domains

Cited by 13 publications

References 33 publications

On the big data processing algorithms for finding frequent sequences

On the big data processing algorithms for finding frequent sequences

Kullanıcı ve Öğe Bazlı, Geniş ve Derin Öğrenme Tabanlı Seyahat Öneri Sistemi

A Survey on Modern Recommendation System based on Big Data

Contact Info

Product

Resources

About