A hybrid recommendation system
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
İnternet büyümesi her geçen gün gözlenmekte, özellikle de sosyal ağlarda bu durum fazlası ile hissedilmektedir. Sunulan ürünlerin, web sayfalarının fazlalığı, belli bir konuda araştırma yapan kişi için kendi konusu ile alakalı hususları bulmayı oldukça meşakkatli hale getirmektedir. Öte yandan, kullanıcıların farklı tutumları ve tercihleri, büyük bir kullanıcı grubu arasında bir `komşu` kullanıcı bulmayı zorlaştırmaktadır. Bu nedenle otomatik yazılım sistemleri, kullanıcılar için neyin ilgi çekici olduğunu tespit etmekte zorlanmaktadırlar. Bu akışa uyum sağlamak için yeni bir yaklaşım önerdik. Bir özet matris oluşturmak için eğitim verisi alan bilgisini kullanacağız. Özet matrisi, seçilen özelliğin özellik değerlerine göre yeni ve birkaç sütundan oluşur. Özet matrisini, derecelendirilmiş öğeler için kullanıcının profilinde görünen özellik sayısına göre ortalama derecelendirmelerle doldururuz.Özet matrisini iki hibrit tavsiye sisteminde kullanırız. Yaklaşımımızda, boru hattı hibritizasyon tekniklerinden biri olan meta-seviye tekniğini kullanıyoruz.Bizim önerdiğimiz yaklaşım sayesinde, katılımcı tavsiye sistemlerinde sıklıkla görülen seyreklik, soğuk başlangıç ve ölçeklenirlik gibi sorunların etkileri azalacaktır. Ek olarak, tam katılımcı filtreleme yaklaşımı Pearson Korelasyonu yaklaşımı ile karşılaştırıldığında, tavsiyelerin doğruluğunu yükseltmektedir ve daha hızlı olacak. Web growth, especially in social networks, is continuously increasing every day. Multiplicity of products offered and web pages has made picking up relevant items a tedious job. On the other hand, different tastes and behaviors of users is creating the probability to find a similar user among a large group of users difficult. As a result, automated software systems have difficulty to discover what is interesting to users.We have proposed a new approach to adapt to this flow. We will exploit domain knowledge of training data set to create a summary matrix. The summary matrix consists of new and few columns according to the attribute values of the selected feature. We fill the summary matrix with the average ratings based on the number of times that the attribute values appear in the user's profile for rated items.We use the summary matrix in two hybrid recommender systems. In our approach, we use meta-level technique which is one of the pipelined hybridization techniques. The proposed approach will reduce the effects of sparsity, cold start, and scalability which are common problems with the collaborative recommender systems. Also, the proposed approach will improve the recommendation accuracy when there is comparison with the Collaborative Filtering Pearson Correlation approach and it will be faster.
Collections