Enhanced movie recommender system using a statistical approach

Abstract

Sosyal Web olarak adlandırabileceğimiz Web 2.0'ın hayatımızdaki yerini sağlamlaştırması ve insanların paylaşarak ve ortaklaşa bir şekilde internet içeriğini oluşturması uygulamasının yaygınlaşması bize yeni olanaklar sunmakla birlikte ortaya yeni ve karmaşık bir yapı ve insanların kullanımına sunulması gereken büyük miktarda bilgi çıkmaktadır. İşlenmesi gereken bu bilgilerin bir kısmı insanların ve toplulukların doğrudan veya dolaylı yollarla belirli varlıklar hakkındaki beğenilerini paylaşmasından meydana gelmektedir. İnsanların beğenilerinden ibaret olan bu bilgiler her zaman ham haliyle kullanılabilir olmamakla birlikte tavsiye sistemleri adı verilen ve veri madenciliğini kullanan sistemler tarafından işlenerek sosyal ağın parçası olan diğer kullanıcıların kullanımına sunulmaktadır. Son yıllarda bu alanda pek çok çalışma yapılmıştır ancak halen çalışılması gereken yönler vardır. Bu çalışmada, pek çok bilimsel çalışmada kullanılan ancak tavsiye sistemlerinde daha önce fazlaca kullanılmamış olan EM algoritmasını diğer içerik tabanlı ve işbirliğine dayalı yaklaşımlarla birleştirerek etkin ve ölçeklenebilir bir sistem oluşturmaya çalışılmıştır. Sistem farklı veri grupları için test edilerek performansının hem doğruluk hem de işlem süresi açısından yeterli olduğunu tespit edilmiştir.

With the Web 2.0, which can also be named as the Social Web, securing its position in our lives and spreading the practice of people sharing and collaboratively generating Internet content, as well as presenting new opportunities there emerges a new and complex structure and massive amounts of information that must be brought into the use of people. A part of this information consists of people and communities sharing their tastes on specific entities either implicitly or explicitly. This information consisting of choice of people is not always usable at its raw state and presented to the utilization of people who are a part of the social network by means of systems called recommender systems which employ data mining methods. Recently there is lots of research done in this area but there are still aspects to be studied. In this thesis, the EM algorithm that has been widely used in scientific researches but has not been substantially used for recommender systems is integrated with other collaborative and content based approaches to build an efficient and scalable system. The system is tested using different data sets and it is found that its performance is sufficient in terms of both accuracy and computation time.