Collaborative filtering recommendation system: Comparison study

Tavsiye Sistemleri (TS) kullanıcılara potansiyel olarak ilgilerini çekebilecek seçenekleri önererek bilgi aşırı bilgi yüklenmesi ile ilgili problemlerin çözümü konusunda büyük bir ilgi görmektedir. Tavsiye sistemleri genellikle belirli tekniklerden birinde belli sayıda öneri üretir. Tavsiye Sistemleri üç türe ayrılır: İçerik Temelli Filtreleme, İşbirliğine Dayalı Filtreleme ve Hibrit Tavsiye Sistemi. İşbirliğine Dayalı Filtreleme (İDF) en yaygın kullanılan tavsiye tekniğidir ve birçok ticarî alana yaygın bir biçimde uyarlanmıştır. Bununla birlikte, İDF herhangi bir ek bilgiyi değerlendirmez ve bu yüzden soğuk başlatma ve veri seyrekliği problemlerinin çözümünü zorlaştırır. Çoğu bilgi için de söz konusu olduğu şekilde, Tavsiye Sistemi'nin de soğuk başlatma, veri seyrekliği ve ölçeklenebilirlik gibi bazı sorunları vardır. Bu sorunların çözülmesi ve tahmin doğruluğunun arttırılması için birçok araştırma yapılmaktadır. Bu araştırma, Tavsiye Sistemleri'ndeki farklı algoritmalar olan KEYK (k-En Yakın Komşuluk), TDA (Tekil Değer Ayrışması) ve Naïve Bayes arasında karşılaştırmalar üreterek bunların en iyi performanslarının kontrol edilmesini sağlayacaktır. İki farklı veri seti boyutu (% 80 ve % 20 ile % 60 ve % 40) uygulanmıştır ve her bir boyut eğitim ve test içeriğine sahiptir. Dahası, performans da üç ölçü (OMH (Ortalama Mutlak Hata), KOKH (Kök Ortalama Kare Hatası) ve zaman) ile hesaplanmıştır. Elde edilen sonuçlar, her iki veri seti için de gerek OMH gerekse KOKH'nda en yüksek doğruluk derecesinin Naïve Bayes ile sağlandığını, zaman açısından ise sonuçların veri setinin boyutuna ve algoritma tekniğine bağlı olarak farklılık gösterdiğini ortaya koymuştur.