Grup öneri sistemleri için yeni otomatik grup tanımlama ve tercih birleştirme yöntemleri

Grup öneri sistemleri, grup üyelerinin bireysel tercihlerini bir araya getirerek, bireyler yerine bir kullanıcı grubuna tercih edilebilir ürünler/hizmetler önerebilme yeteneğine sahiplerdir. Kullanıcı gruplarının çoğunlukla önceden tanımlanmaması nedeniyle bu sistemlerde ilk görev genellikle kümeleme yaklaşımları ile benzer kullanıcılardan oluşan grupları otomatik olarak tanımlamaktır. Ancak, kullanıcıları gruplara ayırmak, öneri alanındaki içerik genişledikçe seyreklik ve karmaşıklık sorunlarıyla karşı karşıya kalmaktadır. Ayrıca, grup homojenliği ve büyüklüğü, grup üyelerini organize etmek ve memnuniyetlerini arttırmak için kritik unsurlardır. Bu tezde, gelişmiş grup formasyonu ve grup büyüklüğü kısıtlaması için yeni otomatik kullanıcı gruplama yaklaşımları önerilmektedir. Bununla birlikte, kullanıcıların derecelendirmelerini, onları temsil etmek için küçük ve yoğun bir vektöre dönüştüren iki farklı janr-tabanlı eşleme stratejisi önerilmektedir. Bu stratejiler hem gruplama yapmak için gerekli hesaplama süresini iyileştirir hem de veri seyrekliğin olumsuz etkilerini ortadan kaldırır. Son olarak, daha homojen bir grup oluşumu sağlamak için janr-tabanlı benzerliklerle birlikte demografik özelliklere dayalı benzerlikleri birlikte kullanan iki farklı strateji geliştirilmiştir. İki farklı popüler veri kümesinde yapılan deneyler, önerilen her yöntemin geleneksel rakibinden daha iyi performans sergilediğini göstermektedir. Grup önerileri genellikle gruptaki kullanıcıların tercihlerini birleştirerek tüm grubun eğilimlerini analiz eden birleştirme teknikleri kullanılarak üretilmektedir. Literatürde çeşitli birleştirme teknikleri bulunmasına rağmen, bu tekniklerin bazı zayıf yanları mevcuttur. Bu zayıflıkları gidermek ve grup önerisi kalitesini arttırmak amacıyla, bu tezde ilk olarak PwAvg olarak adlandırılan kişiliğe duyarlı bir birleştirme tekniği geliştirilmiştir. Bu teknik, beş temel kişilik özelliği kullanarak her bir üyenin etki derecesini belirler ve daha sonra bunları birleştirme aşamasında tercihleri ağırlıklandırmak için kullanır. Ayrıca, grup üyelerinin üzerinde fikir birliği sağladığı popüler ürünleri öne çıkarmak için iki temel birleştirme yöntemini birlikte uyum içinde kullanan iki farklı melezleştirilmiş teknik önerilmiştir. Son olarak, melezleştirilmiş tekniklerin üzerine inşa edilen ve AwU olarak adlandırılan gelişmiş bir birleştirme tekniği önerilmektedir. AwU tekniği, bilgi entropisini kullanarak grup üyelerinin derecelendirmelerinin dağılımını güçlü bir şekilde değerlendirir ve böylece maksimum sayıda memnun kişi sayısını sağlayan grup önerileri üretir. Farklı veri kümelerinde yapılan deneyler, önerilen birleştirme tekniklerinin mevcut yöntemlere kıyasla daha kaliteli grup önerileri sağladığını göstermiştir.