Genetik algoritma ile ağırlıklandırılmış hibrit bir film öneri sistemi

Abstract

Günümüzde internet ortamında hemen hemen ihtiyaç olunan tüm bilgiler, ürünler veya hizmetler bulunmaktadır. Fakat bazen aranılan bilgi, ürün veya hizmet geç bulunmakta veya hiç bulunamamaktadır. Çünkü aynı veriler farklı yerlerde yayınlanabilmekte ve bunların bazıları yanlış, kalitesiz veya sahte olabilmektedir. Bir gün içerisinde web ortamına eklenen, güncellenen veya silinen veri miktarı haberdar olunabilecek verinin çok ötesindedir. Bu veri yığınlarının içerisinde kullanıcının ihtiyacını bulabilmesini kolaylaştırmak için öneri sistemleri geliştirilmektedir. Öneri sistemleri kullanıcılara aradıklarının bulmak konusunda yardımcı olduğu gibi kullanıcıların ihtiyaçlarını analiz edip onlara ilgilerini çekebilecek yeni ürünler de önermektedir. Öneri sistemleri sadece kullanıcılara değil aynı zamanda çevrimiçi mağazaların müşterilerine daha iyi hizmet vermesi hedeflenerek firmaya olan bağlılığı arttırmaktadır. Böylece firmalar daha fazla ürün satışı yaparak daha fazla kâr elde etmesi sağlanmaktadır. Çevrimiçi ortamda aranılan bilgi, ürün veya hizmet arama motorlarının izin verdiği kadarıyla bulunabilmektedir. Yakın gelecekte öneri sistemlerinin arama motorlarının yerini alacağı düşünülmektedir. Artık kullanıcı kendisine lazım olanı aramayacak çünkü sistem kullanıcıya lazım olanı gerekli olduğu zamanda önerebilecektir. Bu çalışma, öneri sistemlerine genel bir bakış sunmaktadır. Öneri sistemleri yöntemlerinden işbirlikçi filtreleme, içerik tabanlı filtreleme ve hibrit filtreleme tezde detaylı bir şekilde açıklanmaktadır. Ayrıca konunun öneminin daha iyi anlaşılması için internet ortamında öneri sistemlerini başarılı bir şekilde uygulamakta olan bazı çevrimiçi mağazaların kullandıkları öneri sistemleri hakkında bilgiler verilmektedir. Bu tez kapsamında MovieLens 100K veri seti üzerinde uygulanmış içerik tabanlı filtreleme ile işbirlikçi filtreleme algoritmalarından elde edilen tahminler bazı varsayımlar sonucu oluşturulmuş bir birleştirme algoritması sayesinde bir araya getirilerek hibrit bir film öneri sistemi oluşturulmaktadır. Kullanılan birleştirme algoritmasındaki katsayılar Genetik Algoritma ile hesaplanmaktadır. Elde edilen deneysel sonuçlar önerilen hibrit film öneri sisteminin daha düşük hata oranlarına sahip olduğunu göstermektedir.

Today, almost all the information, products or services that are needed on the internet are available. However, sometimes the information, product or service required is late or absent. Because the same data can be published in many different places and some of them may be wrong, poor quality or fake. The amount of data added, updated or deleted on the web in a day is far beyond the data that can be informed. Recommendation systems are developed in order to make it easier for the user to find their needs in these data stacks. Recommendation systems not only help users find what they are looking for, but also recommend new products that can analyze their needs and attract their attention. Recommendation systems increase loyalty to the company by targeting not only the users but also the online stores to serve their customers better. Thus, it is ensured that companies make more profit by selling more products. Information searched online can be found as far as the product or service search engines allow. It is thought that recommendation systems will replace search engines in the near future. The user will no longer be able to search for what is needed because the system will be able to offer the user what is needed. This study provides an overview of recommendation systems. Collaborative filtering, content-based filtering and hybrid filtering, which are among the recommendation systems methods, are explained in detail in the thesis. In addition, information is provided about the recommendation systems used by some online stores that are successfully implementing recommendation systems in the internet environment in order to understand the importance of the issue better. Within the scope of this thesis, a hybrid film recommendation system is formed by combining the predictions obtained from content-based filtering and collaborative filtering algorithms applied on the MovieLens 100K data set by means of a merge algorithm which is formed as a result of some assumptions. In the combining algorithm used, the weights are calculated with Genetic Algorithm. Experimental results show that the proposed hybrid approach has lower error rates.