User preference boosted content-based recommender system

Abstract

Günümüz bilgi dünyasında, internet en önemli bilgi kaynağı haline gelmiştir. Ancak, internetteki bilgi miktarı çok büyük boyutlara ulaşmıştır ve bu bilgi filtrelenmemiştir. Böyle bir çevrede, bilgiye ulaşmak isteyen insanlar WWW aracılığıyla ulaştıkları fazla bilgi karşısında çaresiz duruma düşmektedirler. Bu tür durumlar karşısında tavsiye sistemlerinin esas önemi ortaya çıkmaktadır. Bahsedilen bilgi kirliliği karşısındaki çaresizlik problemlerinin üstesinden gelmek için, insanların ihtiyaçlarını ayırt etmek ve uygun alternatifleri kullanıcılara sunmak üzere tavsiye sistemleri geliştirilmiştir. Mevcut tavsiye sistemi metotları üç ana kategori altında gruplanmıştır: işbirliği ile filtreleme, içerik-tabanlı ve melez yaklaşımlar. Klasik içerik tabanlı tavsiye sistemleri, tavsiye edilecek nesnelerin içerik bilgilerini kullanmaktadırlar. Bu tez çalışmasında, kullanıcı tercih bilgisi destekli içerik tabanlı bir tavsiye sistemi metodolojisi önerilmektedir. Nesnelerin içerik bilgilerine ek olarak, bilgi filtreleme sürecine kullanıcıların tercih bilgilerinin de katılacağı yeni bir yaklaşım tanımlamak hedeflenmiştir. Bu tez çalışmasında açıklanan yeni çözüm yöntemi, kullanıcının görmemiş olduğu nesnelere ait tahmin edilecek tavsiye skorlarını hesaplamak için kullanıcıların belirli nesneler ile ilgili geçmiş hoşlanma ve hoşlanmama oranı bilgilerini kullanmaktadır. Önerilen kullanıcı tercih bilgisi destekli içerik tabanlı tavsiye yönteminin uygulanması ile elde edilen sonuçlar göstermektedir ki; kullanıcının tercih bilgisinin nesnelerin içerik bilgilerine eklenmesi yolu ile elde edilen sonuçlar, kullanıcının tercih bilgilerinin dahil edilmediği yönteme göre daha kesin tavsiyeler üretebilmektedir ve daha güvenilir sonuçlar elde edilebilmektedir. Bu tez çalışması ile önerilen yeni yaklaşımın uygulama detayları ve karşılaştırmalı değerlendirme sonuçları sunulmuştur.Anahtar sözcükler: Tavsiye Sistemleri, İçerik Tabanlı Tavsiye, Kullanıcı Tercih Bilgisi Çıkarma

In the world of information, internet becomes the most important information source. However, internet contains vast amount of information and this information is not filtered. In such an environment, the people who seek for an information is overwhelmed in the alternatives that s/he can reach via the web. Recommender systems have their real importance in this kind of situations. To overcome said overwhelming problems, recommender systems are developed to determine the people needs and to recommend suitable alternatives to them. The current recommendation methods are classified under three main categories: collaborative filtering, content-based and hybrid approaches. Classical content-based recommendation approaches include the content information of the items. In this thesis work, we propose a user preference boosted content-based recommendation methodology. In addition to the items content information, we aimed to define a novel approach to the problem of including user?s preference information to the information filtering process. The novel solution that we explained in this thesis work uses the users past like and dislike rate information related to the specific items to predict recommendation scores related to the unseen items. The results which we obtained by implementing the proposed user preference boosted content based recommendation approach indicates that; by including the users' preference information to the items content information more accurate recommendations can be done and more reliable results can be gathered. We present the implementation details and comparative evaluation results of the proposed novel approach in this thesis.Keywords: Recommender Systems, Content-Based Recommendation, User Preference Extraction