Öneri sistemlerinde soğuk-başlangıç problemine yönelik algoritma geliştirimi

Soğuk-başlangıç problemleri, öneri sistemlerindeki en önemli zorluklardan birisidir. Bu tez çalışmasında, soğuk-başlangıç problemine 2 farklı yaklaşım ile çözümler geliştirmeyi amaçladık. Farklı senaryolarda kullanılabilecek bir deterministik ve bir sezgisel çalışma yaptık. İlk perspektifte, deterministtik yaklaşımla, Sürekli Karınca Kolonisi Optimizasyonu kullanarak ilk-N öneri listeleri sunmak için ürün tabanlı benzerlik modellerini optimize eden yeni sezgisel bir çatı geliştirdik. Sezgisel yapısı sayesinde, kullanıcılar için kendine has ve her oturuma göre değişen öneri listeleri üretirken aynı zamanda kullanıcının alakası ile listelerdeki ürün çeşitliliği arasında denge kurmayı amaçladık. İkinci perspektifte, deterministik olarak iki yeni işbirlikçi filtreleme tekniğini tanıttık. İlk modelde, örtük verileri kullanarak elde ettiğimiz gram matrisin z-skor normalizasyonuna dayanan ürünler arasında özgün asimetrik bir benzerlik matrisi hesapladık ve ikinci modelde, geliştirdiğimiz ürün benzerlik matrisi ile oluşturduğumuz ürün tahminleri ile seyrekliği azaltmayı amaçladık böylece kullanıcı-ürün matrisinde gizli faktörlerinin daha başarılı ayrışmasını sağladık. Tüm yöntemlerimizi bilinen veri setleri üzerinde test ettik ve yöntemlerimizin, soğuk-başlangıç kullanıcılarda, soğuk-başlangıç sistemlerde ve popüler olmayan ürün önerilerinin sağlanması da dahil olmak üzere çeşitli senaryolarda benzer tavsiye modellerinden daha iyi performans gösterdiğini gözlemledik.