Zamana Bağlı İşbirlikçi Filtreleme
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2014
Tezin Dili: Türkçe
Öğrenci: Çiğdem Bakır
Asıl Danışman (Eş Danışmanlı Tezler İçin): Songül VARLI
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Dünyada sanayi ve teknolojinin gelişmesiyle birlikte web üzerinden alışveriş yapan kullanıcı sayısı da her geçen gün artmaktadır. Bu hızlı artıştan dolayı firmalar gelişmelere ayak uydurarak kârını arttırabilecek, rekabet ortamından kazançlı çıkmayı sağlayabilecek yeni fikirlere ihtiyaç duyar. Firmaların sosyal ve ekonomik yönden başarıya ulaşmasını sağlayan yapılar tavsiye sistemleridir. Tavsiye sistemleri (recommendation systems) ürün ve hizmetlerin etkileşimi sırasında kişiselleştirilmiş öneriler yapmak için bilgiyi keşfeden teknikleri uygulayan sistemlerdir. Günümüzde müşteriye özgü tavsiyelerde bulunmak, müşterilerin ilgisini canlı tutmak, müşterilerin beğenisini tahmin edip onlara bu beğenileri doğrultusunda önerilerde bulunmak önemlidir. İşbirlikçi Filtreleme-İF (Collaborative filtering-CF) tavsiye sistemleri tarafından kullanılan etkili ve kolay bir yöntemdir. Genel anlamda İF veri kaynakları arasında çeşitli teknikler kullanarak bilgiyi filtreleme sürecidir. Ayrıca İF günümüzde çok farklı alanlarda örneğin; çoklu sensörlerde veriyi algılama, izleme, finansal verilerde, e-ticaret ve web uygulamalarında kullanılmaktadır. İF müşterilere ilgileri doğrultusunda çeşitli tavsiyeler sunmakla beraber müşteri tercihlerinin ve ürünlerin sürekli değişmesi sonucunda birtakım zorluklarla karşı karşıya kalmaktadır. Müşterilerin algısını, ürünlerin popülerliğini zamanla değiştiren yeni ürünler ve hizmetler ortaya çıkabilir. Mevsimsel değişiklikler ya da bölgesel faktörler kişinin algısını değiştirebilir [1]. Örneğin; kullanıcılar film tavsiye sistemlerinde bir aktör ya da bir film türüne göre yeni bakış açısı kazanabilir ya da zaman içinde tercih ettiği film türünü değiştirebilir. Geleneksel İF teknikleri çok sayıda kullanıcı ve nesnelerden oluşan veri kümeleri için kullanıcıların geçmişte verdikleri puanlara bakarak gelecekteki eğilimini, kullanıcıların birbirine olan benzerliklerinden (user similarity) ya da ürünlerin birbirine olan benzerliklerinden (item similarity) yola çıkarak tahmin etmeye çalışır. Ancak bu İF teknikleri müşterilerin zamanla değişen isteklerine cevap vermekte yetersiz kalır. Ayrıca her ürün ve her müşteri farklı değişimler geçirir. Kullanıcıların davranışlarını belirleyebilecek, zaman değişimlerini gösterecek, her ürün ve her müşteri için ortak bir modele ihtiyaç duyulur. Bu çalışmayla birlikte kullanıcıların zevkine, beğenisine uygun kişiselleştirilmiş tavsiyeler sağlamak için zamana bağlı olarak kullanıcıların ilgisi analiz edilerek kullanıcıya verilen tavsiyelerin doğruluğu ve niteliği arttırılır. Bu çalışmada özgün olarak kullanıcıların sadece puanlarına göre değil de puan verdiği tarihlere de bakılarak müşterinin o ürüne vereceği puan tahmin edilmeye çalışılmıştır. Bir ürün ne kadar eskiyse o kadar fazla kişi tarafında puan verilmiştir. Ancak kişinin alışkanlıkları zamanla değişeceği için geçmişte verdiği puan yerine günümüze yakın zamanda verdiği puan daha önemlidir. Diğer bir deyişle kullanıcılar tarafından her ürüne verilen puanın bir yaşı vardır. Bu nedenle geleneksel İF tekniğindeki eksikleri gidermek adına bu çalışmada mevcut puanlar, bu puanların yaşına göre zayıflatılması (puanlar yaşlı ise) veya kuvvetlendirilmesi (puanlar genç ise) planlanmıştır. Bu çalışmada geliştirilen yöntemlerin başarısını ölçmek amacıyla netflix verisi üzerinde son iki yılda toplanan puanlar üzerinden işlem yapılmıştır [1]. Netflix Amerika'da film ve video kiralama üzerine kurulmuş bir şirkettten alınan veri kümesidir ve tavsiye sistemlerinde sıklıkla kullanılır. Bu çalışmada düşünülen yöntem yaklaşık yarım milyon Netflix müşterisinin 1999'dan 2005'e kadarlık geçen sürelerde 17770 film için verdikleri puanların tarihleri belli olan gerçek veri kümesi üzerinde yapılmıştır. Bu veri kümesinde 100 milyon üzerinde puan verilmiş kayıt vardır. Sistem başarısını ölçmek için geleneksel İF ve zaman katılarak oluşturulacak yöntemle elde edilecek sonuçlar karşılaştırılmıştır. Ayrıca boyut indirgeme metotlarından Singular Value Decomposition (SVD) hem movielens hem de netflix veri kümesine uygulanarak sistemin başarısı ölçülmüştür. MovieLens veri kümesi Minnesota Üniversitesinde GropLens tarafından toplanan verilerden oluşur. 943 kullanıcının 1682 filme verdiği puanlardan oluşur. Kullanıcılara ait yaş, cinsiyet, meslek gibi basit demografik bilgilerin yanı sıra film türlerine ait kategorik bilgiler mevcuttur. Ancak bu veri kümesinde tarihsel bilgi mevcut olmadığı için hem zamana bağlı İF tekniğini hem de SVD tekniğini birleştirmek için netflix veri kümesi kullanılmıştır. Geliştirilen sistem sayesinde kullanıcıların zamanla değişen ilgi ve zevklerine bağlı olarak sonuç üretebilen bir ürün öneri sistemi tasarlanmıştır. Böylece kullanıcının bu sisteme olan güvenini arttırmak hedeflenmiştir. Bu bir e-ticaret sitesi ile entegre edilerek müşterinin ilgisi canlı tutulabilir ve böylelikle firma kârlılığı arttırılabilir. Anahtar Kelimeler: Veri Madenciliği, Tavsiye Sistemleri, İşbirlikçi Filtreleme