Bir öneri sistemini değişen kullanıcı düşüncesine göre uyarlamak

Öneri sistemi, müşterilere mevcut seçenekler listesinden bir ürün seçerken kişiselleştirilmiş öneriler sunmak için kullanılmaktadır. Tavsiye için en sık kullanılan teknik işbirlikçi filtrelemedir. Bir işbirlikçi filtreleme algoritmasında, aynı eylemlere sahip kullanıcıları keşfetmede kullanılan benzerlik faktörü kullanıcı derecelendirmesine dayalı önerilerin kritik bileşenlerinden biridir ve tavsiye sistemi başka bir varlık ile ilgili hiçbir bilgiyi dikkate alınmamaktadır. Bu yöntemler başarılı tahminler üretebilse de, ölçeklenebilirlik sorunları, uygun komşuları bulma ve soğuk başlatma problemiyle yüzleşme gibi bazı dezavantajları bulunmaktadır. Bu nedenle, bu şekilde hesaplanan benzerlik, sınırlı bir dizi deneyimi paylaşan kullanıcı çiftleri için değişkendir ve belirli ortak beğenilerin olmaması nedeniyle çoğu kullanıcı için karar verilemez. Bu tez çalışmasında, değişken kullanıcı tercihlerini belirlemek ve doğru önerilerde bulunmak için farklı çözümler sunulmaktadır. İlk çözüm ile varlıkların benzerlik düzeyini belirlemeye odaklanan korelasyon ve eğime dayalı yeni bir komşu seçim yaklaşımı önerilmektedir. Bağlantılı varlıkların önem derecesine göre benzerlikleri ana hatlarıyla belirtilmiştir. Ek olarak, yakın komşulardan ilk erişilebilir derecelendirmeye dayalı tahmin üretmek için yeni bir model önerilmektedir. İkinci çözüm olarak yalnızca birkaç derecelendirme mevcut olduğunda bile her kullanıcının benzerliklerini belirleyerek öneri doğruluğunu artırmak için yeni bir kullanıcı benzerliği ölçüsü sunulmaktadır. Önerilen modelde, farklı derecelendirmelerin oranına ve bu farklılığın en yüksek değerine dayalı olarak yalnızca kullanıcıların ortak derecelendirmelerini dikkate alınmaktadır. Üçüncü yöntem ise daha doğru öneriler sağlamak için öğe türü özelliklerini kullanan bir kullanıcı benzerlik algoritması sunmaktadır. Öğe türü tercihlerine dayalı olarak kullanıcılar arasında bir ilişki kurar, mevcut kullanıcıların her türdeki en yakın komşularını tanımlar ve tüm türlerde aynı zevki paylaşan en yakın komşuların nihai listesini oluşturur. Son olarak, ürün derecelendirmeleri tahmin etmek için kesin bir tahmin süreci kullanılır. Ek olarak, yeni kullanıcının seçtiği öğe türü hakkında sorgulamaya yönelik "Derecelendirme İsteme" tekniği/uyarlanabilir yaklaşım yoluyla kullanıcı soğuk başlatma sorununa bir çözüm önerilmektedir. Ardından, aynı türden en iyi kullanıcılar, aktif kullanıcı için en yakın komşular olarak kabul edilir. Modelin doğruluğunu değerlendirmek için derecelendirme seviyesi ve derecelendirme seviyesinin kullanıcılar arasındaki güvenilirliği olarak iki ek değerlendirme kriteri önerilmektedir. Gerçek dünya veri setleri üzerinde çok sayıda test yapılmıştır. Deneysel sonuçlar, önerilen algoritmaların oldukça doğru ve güvenilir tahminler ürettiğini göstermektedir.