Kullanıcı Tabanlı ve Öğe Tabanlı İşbirlikçi Filtreleme ile Kümeleme Algoritmalarının Değerlendirilmesi

Abstract

Öneri sistemleri, kullanıcıların memnuniyetini ve bağlılığını arttırıp, kullanıcılara kişiselleştirilmiş sistem deneyimini yaşatabilmek için geliştirilmiştir. Öneri sistemleri sayesinde kullanıcılar tercihlerine en uygun olan sonucu en az çaba göstererek bulabilmektedirler. Kullanıcıya özel öneri sistemlerinin önemi son yıllarda giderek artmakta ve filmler, şarkılar, haberler başta olmak üzere çeşitli alanlarda uygulanmaktadır. Öneri sistemleri hafıza tabanlı ve model tabanlı olmak üzere ikiye ayrılmaktadır. Model tabanlı filtreleme yaklaşımlarından olan işbirlikçi filtreleme yöntemleri, öneri sistemlerinde yaygın olarak kullanılmaktadır. Bu çalışmada Jester veri seti içerisinde bulunan şakalar kullanıcı tabanlı ve öğe tabanlı işbirlikçi filtreleme yöntemleri ile kümelenmiştir. Sonuçlar Davies–Bouldin İndeksi, Dunn İndeksi ve Silhouette Katsayısı değerlerine göre karşılaştırılmıştır. Karşılaştırmaların sonuçlarına göre öğe tabanlı işbirlikçi filtreleme yönteminin kullanıcı tabanlı işbirlikçi filtreleme yöntemine göre daha iyi bir doğruluk sağladığı görülmüştür.Recommendation systems have been developed to increase the satisfaction and loyalty of the users and to provide the users with a personalized system experience. Because of recommendation systems, users can find most suitable result for their preferences with least effort. The importance of user-specific recommendation systems has been increasing in recent years and has been applied in various fields, especially movies, songs, and news. Suggestion systems are divided into memory-based and model-based. Collaborative filtering methods, which are model-based filtering approaches, are widely used in recommendation systems. In this study, jokes in jester dataset were clustered with user-based and item-based collaborative filtering methods. The results were compared according to the davies–bouldin index, dunn index and silhouette score. According to the general result of the comparisons, it has been seen that item-based collaborative filtering method provides better accuracy than the user-based collaborative filtering method.