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

Abstract

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.

Recommender systems in e-commerce are the collection of models that aim to reveal products that customers would prefer after evaluating product features via information obtained from customers. In the recommender systems, the efforts made in order to guess the objects which users have a tendency to prefer, based on the evaluation of user and object relationship. In this research, applications in e-commerce sector and the diversity created by them have been analyzed and recommender systems are tried to be compared based on users' purchasing behaviors. In the study, the methods that are used for recommender systems are investigated and information regarding the development of these kinds of systems have been presented. In the light of many studies about different user – product relations and model establishment techniques, an application that acknowledges users' purchasing behaviors as direct product reviews of users, has been developed. In this regard, by selecting some of the recommender system methods from the literature, developed models have been compared. The model performances such as Jaccard and Cosine similarity measurement used with product-based neighborhood models, SVD and NMF methods from matrix separation methods and the Fp-Growth and PSO methods included in the association rules were evaluated by comparing within each other and also with each other.While comparing the results obtained through these results, some time periods also used in evaluation of findings as well. Score measurements have been calculated by associating re-purchases of users in the scope of all data sets per 45, 90, 365 days periods in line with determined reference day and the findings obtained via these methods. After that, in order to test the consistency of the results, the models were run repeatedly for 10 day periods and crosscheck is sustained.According to the results obtained, both in short term and in long term, in the binary data type models belonging to users' purchase behaviors, association rules of Fp-Growth and PSO obtained more successful results. Although the association rules have a better outcome relative to other methods, the time interval criterion has disclosed that their performance in itself is higher in short time intervals.