Genetik algoritma tabanlı gizliliği koruyan ortak filtreleme

Abstract

İnternet kullanımının artması ile insanlar hemen her ihtiyacını çevirim içi hizmet sunan firmalardan karşılamaya başladılar. Ancak internet üzerinden hizmet veren firmaların kullanıcı ve ürün sayısı ile ürün çeşitliliği arttıkça kullanıcıların ürün seçiminde karar verebilmeleri giderek güçleşmiştir. Öneri sistemleri, bu süreçleri otomatikleştirerek kullanıcıların karar verme aşamasında kendilerine en uygun ürünün sunmaktadır. Öneri sistemlerinin doğru öneriyi kabul edilebilir bir süre içerisinde güvenli bir şekilde öneri üretebilmeleri gerekmektedir. Yapılan tez çalışmasında bu kriterleri hepsinin karşılanması amaçlanmıştır. Geleneksel hafıza tabanlı en yakın komşuluk esasına dayalı ortak filtreleme tekniği genetik algoritma ile geliştirilerek kullanıcılara daha doğru önerilerin üretilmesi amaçlanmıştır. Diğer taraftan kullanıcıların ürünlere verdikleri oylama bilgilerinin de gizliliği sağlanarak sistemin veri güvenliği de sağlanmıştır. Yapılan çalışmalarda ortak filtreleme ve gizliliği korunmuş ortak filtreleme yöntemleri ayrı ayrı genetik algoritma ile geliştirilmiş ve sonuçlar analiz edilmiştir. Her iki yöntemde de sistemin geleneksel tekniklere göre daha doğru sonuçlar ürettiği deneylerle gözlemlenmiştir. Gizliliği koruyan ortak filtreleme yönteminin genel doğruluğunun genetik algoritmalar ile iyileştirildikten sonraki artışının gizliliği sağlanmamış ortak filtreleme yönteminde elde edilen iyileştirmeden oransal olarak daha iyi olduğu gözlemlenmiş ve bu durumun sebepleri açıklanmıştır.

With the increase of internet usage, people started to meet almost every need from online service companies. However, as the number of users and products and the variety of products offered by the companies providing services over the internet increased, it became increasingly difficult for users to decide on product selection. Recommendation systems, by automating these processes, offers users the most suitable product at the decision-making stage. Recommendation systems should be able to produce correct recommendations safely within an acceptable period of time. In this thesis, it is aimed to meet all of these criteria. It is intended to produce more accurate suggestions to the users by improving the closest neighborhood based collaborative filtering technique which is a memory based traditional technique. On the other hand, the data security of the system has been ensured by preserving the privacy of the rating information given by the users to the products. Collaborative filtering and privacy-preserved collaborative filtering methods were developed with separate genetic algorithm and the results were analyzed. In both methods, it was observed that the system produced more accurate results than traditional techniques. It is observed that the increase in the overall accuracy of the privacy-preserved collaborative filtering method after it has been improved by genetic algorithms is proportionally better than the improvement obtained in the collaborative filtering method that is not private and the reasons for this manner are explained.