E-ticaret için ürün tavsiye sistem geliştirmesi

Abstract

E-Ticaret çağında, öneri sistemleri, e-ticaret web sitelerinin temel gereksinimleri arsındadır. Bu sistemlerin doğruluğu ve verimliliği işin ana ilgi alanıdır. Bu faktörleri ölçmek için bazı popüler teknikler üzerinde analiz yapılmıştır. Bu çalışmada, 1023 adet ürün arasında yarım milyon adet Türk Özel İnşaat Perakende Satış İşletmesi satış hareketleri kullanılmıştır. Öğe-öğe işbirlikçi filtrelemenin (IF) ve sık örüntü madenciliğinin (Frequent Pattern Mining-FPM) detaylı bir değerlendirmesi, FPM için IF, Apriori ve FPGrowth algoritması için sırasıyla Kosinüs, Jaccard ve Pearson benzerlik işlevleri kullanılarak yapılmıştır. İlk olarak, benzerlik matrisleri daha sonra ham verilerle hesaplanır, veri modeline yeni artırılmış özellikler eklendikten sonra, benzerlik matrisleri tekrar hesaplanır. Hesaplanan benzerlik matrislerine ilişkin önerileri önermek için en yakın K komşu (KNN) algoritması uygulanır. Sonuçlar, önerilen veri modelimizi kullanarak Kosinüs ve Jaccard'taki hassasiyet skorunun sırasıyla 0.05 ve 0.2'lik önemli iyileşme kaydığını göstermiştir. WEKA Yazılımı ve GraphLab Kütüphanesi kullanılarak FPM'den yararlanmak için başka bir öneri karşılaştırması yapılmıştır. Sonuçlar, Jaccard benzerliği ve FP-Büyüme algoritmasının analizimizde en iyisi olduğunu göstermektedir.

In this new era of E-Commerce, recommendation systems are main requirement of e-commerce websites. Accuracy and efficiency of these systems are the core concern of business. To measure these factors, we have performed analysis on some of the popular techniques. In this study half a million transactions of Turkish Private Construction Retail company were used amongst 1023 products. A detail evaluation of item-item collaborative filtering (CF) and frequent pattern mining (FPM) have been carried out using Cosine, Jaccard and Pearson similarity functions for CF, Apriori and FPGrowth algorithm for FPM respectively. Initially, the similarity matrices are calculated with raw data later, after adding new augmented attributes to the data model similarity matrices are calculated again. K nearest neighbor (KNN) algorithm is applied to propose the recommendations regarding calculated similarity matrices. Results has shown the significant improvement shift of precision score in Cosine and Jaccard of 0.05 and 0.2 respectively by using our proposed data model. An other recommendation comparison is carried out to utilize FPM using WEKA Software and GraphLab Library. Results indicates that Jaccard similarity and FP-Growth algorithm were the best among our analysis.