Adopting several models to alleviate sparsity and cold-start problems using data mining techniques for recommendation systems

Web 2.0'ın geliştirilmesi ve elde edilebilir verilerin hızlı artışı bilgi aşırı yüklemesinin üstesinden gelebilen çoklu sistemlerin ve onlar arasında da Tavsiye Sistemleri'nin evrilmesine yol açmıştır. Tavsiye Sistemleri'nin performansının büyük ölçüde seyreklik ve soğuk-başlatma problemleri tarafından sınırlandırılmış olması nedeniyle, mevcut araştırma bu problemlerin hafifletilmesini temel bir amaç olarak benimsemiştir. Bu amacın gerçekleştirilmesi için, şu dört veri madenciliği tekniği önerilmiştir: çok-aşamalı kaynak ayırma - tekil değer ayrışması (MSRA-SVD), MSRA-SVD++, kümelenen topluluk tespiti ve örtüşen topluluk tespiti. İlk iki model veri seyrekliği probleminin üstesinden gelme amacına adanmışken, kalan modeller ise soğuk-başlatma kullanıcılarının problemlerinin hafifletilmesi amacıyla benimsenmektedir. İlk iki modelin temel stratejisi sosyal ağdaki gizli ilişkilerin belirlenmesi için (MSRA) yönteminin kullanılmasıdır. MSRA yöntemi ilişki olasılığının belirlenmesi amacıyla uygulanır. Eğer olasılık bir eşik düzeyini aşarsa, bu durumda yeni bir ilişki kurulmuş olacaktır. İkinci model için (MSRA-SVD++), derecelendirme bilgileri yoluyla elde edilebilecek olan örtük geribildirim kaynağı ek bir bilgi kaynağı olarak kullanılır. Buna ek olarak, ve örtüşme modelleri de soğuk-başlatma kullanıcılarının problemlerinin hafifletilmesi amacıyla benimsenmektedir. Bu modellerin ardında yatan kümelenme temel düşünce kullanıcıların çeşitli topluluklar halinde kümelenmesi için bir kümeleme tekniğinin uygulanmasıdır. Bunun elde edilebilmesi için de, güven değerine sahip olan açık ve örtük sosyal ilişkiler entegre edilerek uzaklık değerleri hesaplanır. Buna ek olarak, medoidler etrafındaki bölüntülenme ile ilgili olarak da kümelenme algoritması benimsenir. Daha sonra, son model için tüm kümelerin ortalama uzaklıkları hesaplanır. Tüm kullanıcılar için, kullanıcılar ve belli bir kümenin merkez düğümü arasındaki mesafe hesaplanır. Eğer bu mesafe söz konusu kümenin ortalamasından daha azsa, o küme için yeni bir kullanıcı eklenecektir. Dahası, tahmin değerinin hesaplanması amacıyla her bir küme için SVD++ yöntemi kullanılır. Önerilen modeller üç adet gerçek-dünya veri kümesi kullanılarak değerlendirilir. Sonuç olarak, bulgular önerilen modellerin çeşitli en yeni çalışmaları tahmin doğruluğu bakımından nasıl geride bıraktıklarına dair kayda değer bir anlayışı sergilemiştir.