Çok Kriterli Ürün-Tabanlı İşbirlikçi Filtrelemede Ağırlıklandırma Yöntemlerini Kullanarak Tahmin Performansının Arttırılması

Abstract

Öz Öneri sistemleri son yıllarda e-ticaret, turizm, film, müzik ve restoran gibi çeşitli alanlarda popüler olarak uygulanmaya başlanmıştır. Araştırmacılar çeşitli algoritmalar geliştirmelerine rağmen işbirlikçi filtreleme öneri sistemlerinde en yaygın kullanılan algoritmalardan biridir. İşbirlikçi filtreleme ile kullanıcıların geçmiş tercihleri göz önünde bulundurularak gelecekte kullanıcıların beğenebileceği ürünleri önermesi hedeflenir. Mevcut tek kriterli sistemlerde kullanıcıların ürünler hakkında tek bir derecelendirme vermesi beklenir. Fakat tek bir kriter kullanıcının ürünler hakkında fikrini yansıtmayabilir. Bu nedenle çok kriterli işbirlikçi filtreleme sistemleri geliştirilmiştir. Özellikle film, otel ve restoran gibi alanlarda kullanıcılar tek bir kritere göre derecelendirme vermek yerine birden çok kritere göre beğenilerini sunmaları onlara gelecekte yeni ürünler önermekteki başarıyı arttırabilir. Çok kriterli işbirlikçi filtreleme sistemlerindeki ilk aşama öneri isteyen bir kullanıcıya benzer en yakın kullanıcıları veya ürünleri bulmaktır. Literatürde benzerlik hesaplamak için yaygın kullanılan benzerlik-tabanlı metotlar mevcuttur. Bu metotlarda benzerlik hesaplanırken kullanıcılar / ürünler arasında ortak derecelendirilen ürünlerin / kullanıcıların verileri kullanılır. Fakat ortak derecelendirilen ürünlerin / kullanıcıların sayısı çok az olmasına rağmen aralarındaki korelasyon çok yüksek hesaplanabilir. Yüksek korelasyon değerleri her zaman en iyi komşular olduğunu garanti etmeyebilir. Bu dezavantajlar göz önüne alındığında yüksek korelasyon değerleri her zaman güvenilir ve doğru tahminler elde edilmesini engelleyebilir. Makalemizde çok kriterli ürün-tabanlı işbirlikçi filtrelemede benzerlik tabanlı yaklaşımlardaki performans artışını sağlamak için mevcut benzerlik hesaplamalarını iyileştirmeyi hedefliyoruz. İki ürünü oylayan ortak kullanıcı sayısı arttıkça, iki ürün arasında hesaplanan benzerlikte daha güvenilir olacaktır. Bu nedenle, geleneksel işbirlikçi filtrelemede kullanılan Jaccard ve önem ağırlıklandırma yöntemlerini çok kriterli sistemlerde benzerlik hesaplama sürecinde ağırlıklandırma yöntemleri olarak kullanılması önerilir. Önerilen ağırlıklandırma yöntemleri ile amaç, her iki ürünü de derecelendirme veren kullanıcı sayısı azaldıkça hesaplanan benzerliği azaltmaktır. Ağırlıklandırma yöntemleri, mevcut benzerlik hesaplama işlemlerine entegre edilerek komşu seçimi ve tahmin performansı arttırılması hedeflenir. Önerilen yöntemler Yahoo!Movies veri setinin üç farklı versiyonu kullanılarak test edilmiştir. Yapılan deneyler gösteriyor ki, önerilen metotlar mevcut metotlara göre tahmin performansını ve kapsam değerlerini büyük oranda arttırmıştır.