Dynamic determination of neighborhood in neighborhood-based collaborative filtering algorithms

Abstract

İşbirlikçi filtreleme kolay kullanılabilirliği sayesinde öneri sistemlerinde sıklıkla kullanılan bilgi yığınını azaltmak amacıyla kullanılan bir yöntemdir. Geleneksel olarak kullanılan işbirlikçi filtrelemede tahmin üretimi benzer kullanıcılar ya da benzer nesneler temelinde yapılır. Bu yaklaşımda, kullanıcıya ya da nesneye en çok benzeyen ilk k sayıdaki komşu belirlenir, sonrasında ise belirlenen k komşuya dayalı bir tahmin üretilir. Bu süreçte, k değeri sürecin başında belirlenir ve her kullanıcı ya da her nesne için aynı k değeri kullanılır. Bu tezde, her kullanıcı ya da her nesne için farklı k değerleri seçmenin üretilen tahminlerin doğruluğundaki etkisi analiz edildi. Bu amaçla, her kullanıcı ya da nesne için farklı k değerleri denenerek, o kullanıcı ya da nesne için en iyi tahminler üretilebileceği düşünülen k değerleri atandı. Yapılan deneyler en yakın k komşuluk algoritmasında dinamik k değerleri kullanmanın sabit olarak belirlenen bir k değerine göre daha iyi sonuçlar verdiğini gösterdi.