Graph-based hybrid recommender systems =

Abstract

Öneri sistemleri, diğer kullanıcılarının verilerini kullanarak kullanıcılarına çeşitli ürün ve hizmet önerilerinde bulunmaktadır. Bu sistemler, kullanıcıların ürünlere ilişkin kişisel tercihlerini verdikleri oylamalara dayandırarak ve benzer kullanıcıların tercihlerine dayanan ürün önerileri sunarlar. Bu sistemlerin başarısı hem kullanıcılar için hem de bu tür sistemleri kullanan e-ticaret siteleri için önemlidir. Yanlış ve güvenilir olmayan ürün önerileri kullanıcıların alternatif alışveriş sitelerine yönelmesine neden olmaktadır. Bu nedenle, öneri sistemleri alanı birçok çözülmemiş problemi ihtiva eden zorlu bir araştırma alanıdır ve sorunların üstesinden gelmek için birçok farklı hibrit öneri algoritması önerilmiştir. Farklı bilgi kaynaklarını kullanan hibrit modeller son yıllarda fazla dikkat çekmektedir. Bu tezde, ürünleri ve ilgili kullanıcıları temsil edebilmek için oylamaları ve ürünlere ait imgeleri kullanan bir graf tabanlı hibrit öneri sistemi önerilmektedir. Ayrıca, sadece kullanıcı-ürün oylamalarından yararlanan başka bir graf tabanlı öneri sistemi önerilmiştir. Bir grafta öneri üretme bir bağlantı tahmin problemidir ve bağlantı tahmin yaklaşımları, beğenme veya beğenmeme, ve benzer veya benzerolmayan temel ilişkisel dualiteleri birbirinden ayırmak için kullanılmaktadır. Ancak, kullanıcılar (veya öğeler) arasındaki benzer veya benzer olmayan ilişkiler çoğunlukla göz ardı edilmektedir. Dolayısıyla, sistemin doğruluğunu arttırmak için kullanıcı-kullanıcı ve ürün-ürün benzer/benzerolmayan ilişkileri ile beğenme/beğenmeme ikiliklerini kullanan bir bağlantı tahmin metodu önerilmiştir. Benzer şekilde üçgen kapanış modeli bu benzerlik ilişkileriyle genişletilmiş ve her bir benzerlik ilişkisini bir sayı olarak temsil etmek için sayı sistemleri araştırılmıştır. Bağlantı tahmin algoritmalarının kuaterniyon ve kompleks sayı sistemlerinde kullanılışı incelenmiştir. Önerilen benzerlik içeren bağlantı tahmin yöntemi diğer kuaterniyon ve kompleks sayı sistemlerinde çalışan yöntemlerle karşılaştırıldığında standart Amazon ve MovieLens veri kümeleri üzerindeki deneylerde daha iyi bir performans göstermiştir. Deneysel sonuçlar, önerilen öneri sisteminin, öneri sistemlerindeki eksikliklerin üstesinden gelmek için tercih edilebilir alternatif bir sistem olabileceğini göstermektedir.