Öneri sistemi modellerinde kullanılan makine öğrenmesi tekniklerinin müşteri satın alma tercihleri doğrultusunda karşılaştırılması

E-ticarette öneri sistemleri, müşterilerden elde edilen veriler ile ürün özelliklerini değerlendirerek, müşterilerin tercih edebileceği ürünlerin ortaya çıkarılmasını amaçlayan modeller bütünüdür. Öneri sistemlerinde, kullanıcı ve nesne ilişkisi değerlendirilerek kullanıcıların davranışları doğrultusunda yönelim gösterebilecekleri nesnelerin tahmini sağlanmaktadır. Araştırmada e-ticaret sektöründeki uygulamalar ile bu uygulamaların yarattığı çeşitlilik incelenerek, kullanıcıların satın alma davranışları üzerinden öneri modelleri kıyaslanmaya çalışılmıştır. Araştırmada, öneri sistemleri için kullanılan yöntemler irdelenmiş ve bu tür sistemlerin gelişimi hakkında bilgiler verilmiştir. Farklı kullanıcı ürün ilişkileri ve model oluşturma tekniğiklerinin yer aldığı araştırmalar doğrultusunda kullanıcıların satın alma davranışlarının, kullanıcıların doğrudan ürün hakkında değerlendirmesi olarak kabul edildiği bir uygulama gerçekleştirilmiştir. Bu doğrultuda literatürde kullanılan öneri sistemi yöntemlerinden bazıları seçilerek öneri sistemi modellerinin karşılaştırılması yapılmıştır. Ürün temelli komşuluk modelleri ile kullanılan Jaccard ve Kosinüs benzerlik ölçümü, matris ayrıştırma yöntemlerinden TDA (Tekil Değer Ayrıştırması) ve NMF (Negatif Olm. Matris Ayrıştırması) yöntemleri ile birliktelik kuralları içerisinde yer alan Fp-Growth ve PSO (Parçacık Sürü Optimizasyonu) yöntemleri hem kendi içlerinde hem de birbiri ile olan performansları karşılaştırılmıştır. Bu yöntemler sonucu elde edilen çıktılar karşılaştırılırken belirli zaman aralıkları da sonuçların değerlendirilmesinde kullanılmıştır. Belirtilen yöntemlerle elde edilen çıktılar, belirlenen referans günü doğrultusunda kullanıcıların 45, 90 ve 365 günlük dönemler ile tüm veri seti kapsamında tekrar alımları ile ilişkilendirilerek skor ölçümleri hesaplanmıştır. Daha sonra sonuçların tutarlılığını test etmek için 10'ar günlük zaman dilimleri için modeller tekrarlanarak çalıştırılmış ve elde edilen sonuçların sağlamaları yapılmıştır. Bu sonuçlar neticesinde hem kısa zaman aralıklarında hem de geniş zaman aralıklarında kullanıcıların satın alma davranışlarında oluşan ikili veri tipine sahip modellerde birliktelik kuralları Fp-Growth ve PSO'nun daha başarılı sonuçlar elde ettiği gözlemlenmiştir. Birliktelik kuralları diğer metotlara kıyasla daha iyi bir sonuç elde etmesine rağmen kendi içerisindeki performansı kısa zaman aralıklarında daha yüksek olduğu da zaman aralığı kriteri sayesinde ortaya çıkarılmıştır.