Öneri Sistemi

Öneri Sistemi

• 1. Öneri sistemi
• 2. Öneri Sistemi Nedir? Öneri Sistemi Nedir? Öneri sistemi, kullanıcının bir öğeye vereceği "derecelendirmeyi" veya "tercihi" tahmin etmeyi amaçlayan bir bilgi filtreleme sistemidir.
• 3. Öneri Sistemlerinde Kullanılan Filtreleme Yöntemleri Öneri Sistemlerinde Kullanılan Filtreleme Yöntemleri İçerik Bazlı Filtreleme: Bilişsel filtreleme olarak da adlandırılan içerik tabanlı filtreleme, kullanıcının önceden beğendiği öğelerin karakteristik yapısından yararlanarak yeni öğeler önerir. Savaş filmlerini beğenen kullanıcıya savaş filmlerini önermek içerik bazlı filtrelemeye örnek olarak gösterilebilir İşbirlikçi Filtreleme: En çok kullanılan ve en çok başarı elde eden metot olarak kabul edilir. Bu filtreleme yönteminde kullanıcıya diğer kullanıcılara olan yakınlığına, benzerliğine bakarak kullanıcıya en yakın kişinin beğendiği hareketleri kullanıcıya önermeyi hedefler.
• 4. İçerik Bazlı Filtreleme İçerik Bazlı Filtreleme Bu filmi izledi. Benzer filmler olduğu önceden biliniyor. Bu filmi öner.
• 5. İşbirlikçi Filtreleme İşbirlikçi Filtreleme İşbirlikçi filtrelemeyi de kendi içerisinde “Ürün bazlı İşbirlikçi Filtreleme” ve “Kullanıcı Bazlı İşbirlikçi Filtreleme” olarak 2’ye ayırabiliriz. Kullanıcı bazlı işbirlikçi filtreleme, herhangi bir model oluşturmaksızın kullanıcıya benzer kişilerin bulunmasını esas alır. Ürün bazlı işbirlikçi filtreleme, ürün-ürün matrisi oluşturulup ürünler arası benzerlikler hesaplandıktan sonra o ürünü beğenenlere benzer ürünler önerilir.
• 6. Kullanıcı Bazlı İşbirlikçi Filtreleme Kullanıcı Bazlı İşbirlikçi Filtreleme
• 7. Ürün Bazlı İşbirlikçi Filtreleme Ürün Bazlı İşbirlikçi Filtreleme
• 8. Öneri Sistemlerinde Kullanılan Uzaklık Hesaplama Algoritmaları Öneri Sistemlerinde Kullanılan Uzaklık Hesaplama Algoritmaları •Jaccard Benzerliği İki kümenin kesişimlerinin eleman sayısının aynı iki kümenin birleşiminin eleman sayısına oranı Jaccard benzerliğini verir. •Kosinüs Benzerliği Bu benzerlikte her bir kullanıcı daha önceki değerlendirmelerinin bir vektörü olarak düşünülür. İki vektör arasındaki benzerlik, iki vektörün arasındaki açının kosinüs değerine bakarak ölçülebilir.
• 9. Jaccard Benzerliği Jaccard Benzerliği s(B) = 5 s(A ∪ B) = 7 s(A ∩ B) =2 s(A) = 4 = 2/7
• 10. Kosinüs Benzerliği Kosinüs Benzerliği
• 11. Algoritmaların Karşılaştırılması Algoritmaların Karşılaştırılması
• 12. KAYNAKÇA KAYNAKÇA • Utku A. , (2015), “Kullanıcı Davranışlarına Dayalı Tavsiye Motoru”, Yüksek Lisans Tezi, Bilgisayar Mühendisliği Anabilim Dalı, Gazi Üniversitesi Fen Bilimleri Enstitüsü • Taşçı S. , (2015), “İçerik Bazlı Medya Takip ve Haber Tavsiye Sistemi”, Yüksek Lisans Tezi, Hacettepe Üniversitesi • Robin van Meteren and Maarten van Someren, (2000), “Using Content-Based Filtering for Recommendation”, University of Amsterdam, Roeterstraat 18, The Netherlands •Jure Leskovec, Anand Rajaraman, Jeffrey David Ullman, (2011)“Mining of Massive Datasets” Stanford University