Rastgele bozma yaklaşımlarının öneri algoritmalarının popülerlik yanlılığına etkisinin incelenmesi ve sahte oy enjeksiyonuna dayalı yenilikçi çözümler geliştirilmesi

Bu çalışma, gizlilik korumalı işbirlikçi filtreleme sistemleri ve popülerlik önyargısının azaltılması üzerine yoğunlaşmıştır. İşbirlikçi filtreleme, kullanıcıların geçmiş etkileşimlerinden yararlanarak kişiselleştirilmiş öneriler sunan önemli bir öneri sistemi yöntemidir. Ancak, bu sistemler, kullanıcı verilerinin gizliliğini tehlikeye atabilir ve popüler öğelerin yoğun bir şekilde temsil edilmesi gibi durumlara neden olabilir. Gizlilik korumalı işbirlikçi filtreleme, kullanıcı verilerinin gizliliğini korurken etkili öneriler sağlama amacı güder. Bu çalışma, gizliliği koruyan işbirlikçi filtreleme yöntemleri arasında, rastgele bozulma ve obfuskasyon tekniklerini kullanarak kullanıcı tercihlerini anonimleştiren yöntemleri ele alır. Popülerlik önyargısı, popüler öğelerin aşırı önerilmesi sonucu öneri çeşitliliğinin azalmasına neden olan bir sorundur. Popülerlikten arındırma (popularity debiasing), bu önyargıyı azaltmayı ve öneri listelerindeki çeşitliliği artırmayı hedefler. EquiRate yöntemi, popülerlik önyargısını azaltmaya yönelik yenilikçi bir yaklaşım sunar. Bu yöntem, öneri listelerindeki çeşitliliği ve adilliliği artırarak popüler olmayan öğelere daha fazla şans verir. FusionIndex metriği, öneri sistemlerinin başarısını hem doğruluk hem de çeşitlilik açısından değerlendiren kapsamlı bir ölçümdür. Yapılan deneyler, EquiRate'ın ve özellikle FusionIndex metriği kullanılarak değerlendirildiğinde, popülerlikten arındırma yöntemlerine kıyasla önemli iyileştirmeler sunduğunu göstermiştir. Bu sonuçlar, öneri sistemlerinde popülerlik önyargısının azaltılmasının yanı sıra, gizlilik korumalı işbirlikçi filtreleme yöntemlerinin etkinliğini de ortaya koymaktadır. Bu tez, öneri sistemlerinde gizlilik koruması ve popülerlik önyargısının azaltılması konularında önemli katkılar sunar. Gizlilik korumalı işbirlikçi filtreleme ve popülerlikten arındırma yaklaşımlarının birleştirilmesi, hem kullanıcı gizliliğini korurken hem de öneri çeşitliliğini ve adilliliğini artıran etkili bir strateji olarak öne çıkmaktadır. Bu çalışma, öneri sistemlerinin gelecekteki gelişimine yönelik değerli içgörüler ve yönlendirmeler sağlar.