Otokodlayıcılara dayalı hibrit çoklu-ölçütlü öneri algoritması
Zeynep Batmaz, Cihan KaleliEskişehir Teknik Üniversitesi Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Eskişehir, TürkiyeÇoklu-ölçütlü öneri sistemleri, aşırı bilgi sorunuyla başa çıkmak için birden fazla ölçütü dikkate alarak kişiselleştirilmiş öneriler üreterek etkili çözümler sunar. Çoklu-ölçütlü öneri sistemleri, geleneksel öneri sistemlerine göre kullanıcılarına daha doğru ve kişiselleştirilmiş öneriler sunsa da, artan kriter sayısı nedeniyle seyreklik bu tür sistemler için önemli bir sorun haline gelmektedir. Kullanıcılar arasında ortak puanlanan ögelerin olmamasndan dolayıı, komşuları bulmak ve doğru tahminler üretmek zorlaşmaktadır. Özellikle benzerlik-tabanlı çoklu-ölçütlü öneri yaklaşımları, seyreklik probleminden önemli ölçüde etkilenmektedir. Bu nedenle, bu çalışmada, bu sorunun olumsuz etkilerini en aza indirmek amacıyla, hem yorum hem de ölçüt derecelendirmelerinden otokodlayıcılar ile çıkarılan karmaşık, düşük boyutlu ve gizli özellikleri kullanan hibrit benzerlik-tabanlı çoklu-ölçütlü bir öneri algoritması önerilmiştir. Seyreklik yüzdesi %99,7235 olan gerçek bir veri seti üzerinde gerçekleştirilen deneysel sonuçlar, önerilen çalışmanın diğer komşuluk-tabanlı çok kriterli yaklaşımlara kıyasla daha doğru tahminler sağlayabildiğini göstermektedir.
Anahtar Kelimeler: Çoklu-ölçüt, İşbirlikçi filtreleme, Otokodlayıcılar, Seyreklik, Komşu seçimiA hybrid multi-criteria recommendation algorithm based on autoencoders
Zeynep Batmaz, Cihan KaleliComputer Engineering Department, Eskisehir Technical University, Eskisehir, TurkeyMulti-criteria recommender systems provide efficient solutions to deal with information overload problem by producing personalized recommendations considering multiple criteria. Even though multi-criteria recommender systems provide more accurate and personalized recommendations to their users compared with traditional recommender systems, sparsity becomes a major problem for such systems due to the increasing number of criteria. Due to the lack of co-rated items among users, finding out neighbors and producing accurate predictions become harder. Especially similarity-based multi-criteria recommendation approaches are significantly affected by the sparsity problem. Thus, aiming to minimize the negative impacts of that problem, a hybrid similarity-based multi-criteria recommendation method, that utilizes complex, low-dimensional and latent features obtained from both reviews and criteria ratings by autoencoders, is proposed in this work. The empirical results performed on a real data set with a sparsity percentage of 99.7235% show that the proposed work can provide more accurate predictions compared with other neighborhood-based multi-criteria approaches.
Keywords: Multi-criteria, Collaborative filtering, Autoencoders, Sparsity, Neighbor selectionSorumlu Yazar: Zeynep Batmaz, Türkiye
| ARAÇLAR |
 Tam Metin PDF Yazdır Alıntıyı İndir RIS EndNote BibTex Medlars Procite Reference Manager E-Postala Paylaş Yazara e-posta gönder
Benzer makaleler Google Scholar |