A novel recommender engine

Abstract

Tavsiye sistemleri; kullanıcıların, devasa kataloglardan beğenebilecekleri ürünleri bulmalarına yardımcı olacak yazılım araçlarıdır. Uygun seçenekler, sektöre bağlı olarak hem seçenek sayısı hem de nitelik bakımından oldukça çeşitlilik göstermektedir. Tavsiye sistemleri genel olarak, içerik-tabanlı, işbirlikçi filtreleme tabanlı ve melez (hibrit) sistemler olmak üzere üç sınıfa ayrılırlar. İçerik-tabanlı sistemler, ürünlerin açıklamalarına veya içeriklerine dayalı olarak tavsiye üretirler. Kullanıcıya, geçmişte tercih ettiği ürünlere benzer nitelikte ürünler tavsiye edilir. İçerik-tabanlı sistemlerin en büyük dezavantajı, ürün açıklamaları veya niteliklerinin elde edilmesinin oldukça maliyetli bir işlem olmasıdır. İçeriğin, otomatik olarak okunup ayrıştırılabilen bir biçimde(metin vb.) olması ya da ürün niteliklerinin el yordamıyla ürünlere atanması gerekir. İşbirlikçi filtreleme, tavsiye sistemlerinde en çok tercih edilen tekniklerin başında gelmektedir. Bu kategorideki sistemler, benzer zevklere sahip arkadaş çevresinden tavsiye alma kavramını taklit ederler.Bu tez çalışmasında, birçok sektöre kolayca uyarlanabilecek, işbirlikçi filtreleme temelli yeni bir tavsiye sistemi geliştirilmiştir. Yeni sistemin en önemli avantajı, hem doğrudan hem de dolaylı tercih verilerini aynı anda kullanabilme becerisidir ki bu da önerilebilecek ürün kapsamını önemli ölçüde artırmaktadır. Çalışma kapsamında ayrıca, en benzer komşuların seçimi sırasındaki benzerlik hesaplamalarında asimetrik bir yaklaşım yöntemi de önerilmiştir. Çalışmada hedeflenilen bir başka sonuç ise, özellikle sevilen ürünleri sevilmeyen ürünlerden ayırt edebilme konusunda ortalamadan daha başarılı bir performans sergileyebilmektir. Bu amaçla, yüksek puanlı ürünleri öne çıkarırken düşük puanlı ürünleri mümkün mertebe aşağı çekecek bir cezalandırma düzeni de önerilmiştir.

Recommender systems are software tools and techniques that help users to find products/items which are of interest, from large catalogs. Available options extremely differ both in number and attributes depending on the domain, that is, the type of object/item needed to be selected. Recommender systems can be classified broadly into three categories: content-based, collaborative filtering based and hybrid systems. Content-based systems generate recommendations based on descriptions or content of items. The user will be recommended items similar to the ones the user preferred in the past. The biggest limitation of content-based techniques is that extracting features associated with items to be recommended is usually a costly process. The content must either be in a form that can be parsed automatically (e.g., text) or the features should be assigned to items manually. Collaborative filtering is the most popular technique for recommender systems. Recommender systems of this group simulate taking recommendations from friends with similar tastes. In this thesis, a novel recommender system based on collaborative filtering is designed which can be easily applied to many different domains. The main advantage of the new system is its ability to use both implicit and explicit information which considerably increases recommendation coverage. Also an asymmetric approach is proposed for similarity calculations during nearest neighbor selection procedure. Another objective that is aimed to observe is to be better at differentiating especially liked items from disliked ones. In this respect, a penalization scheme is incorporated to lower down the scores for items with low ratings whereas highlighting items with high ratings.