Improving Prediction Performance of Dynamic Neighbor Selection in User-Based Collaborative Filtering
Yazarlar (1)
Dr. Öğr. Üyesi Burcu DEMİRELLİ OKKALIOĞLU Yalova Üniversitesi, Türkiye
| Makale Türü |
Özgün Makale
(Ulusal alan endekslerinde (TR Dizin, ULAKBİM) yayınlanan tam makale)
|
||
| Dergi Adı | Sakarya University Journal of Computer and Information Sciences (Online) | ||
| Dergi ISSN | 2636-8129 | ||
| Dergi Tarandığı Indeksler | TR DİZİN | ||
| Makale Dili | İngilizce | Basım Tarihi | 08-2020 |
| Kabul Tarihi | 17-07-2020 | Yayınlanma Tarihi | 28-08-2020 |
| Cilt / Sayı / Sayfa | 3 / 2 / 74–88 | DOI | 10.35377/saucis.03.02.714969 |
| Makale Linki | http://dx.doi.org/10.35377/saucis.03.02.714969 | ||
| UAK Araştırma Alanları |
Bilgisayar Bilimleri ve Mühendisliği
|
||
| Özet |
| Öneri sistemleri son yıllarda çevrimiçi ortamlarda giderek daha popüler hale geldi. Güçlü bir öneri sistemi oluşturmak için farklı yaklaşımlar kullanılmasına rağmen, işbirlikçi filtreleme öneri sistemlerinde en çok kullanılan yaklaşımlardan biridir. Buna rağmen araştırmacılar, işbirlikçi filtrelemede tahmin performanslarını iyileştirmek için hala yeni yöntemler sunuyorlar. k en yakın komşu algoritması, işbirlikçi filtrelemede en dominant ve yaygın algoritmalardan biridir. Bu algoritmanın arkasındaki temel yaklaşım, aktif kullanıcı için tüm kullanıcılar arasından önceden tanımlanmış k tane komşu seçmektir. Geleneksel algoritmada k değeri sabittir ve tahmin işleminden önce belirlenir. Son zamanlarda, araştırmacılar her kullanıcı için dinamik k komşu seçimini kullanmayı önermişlerdir. Bu çalışmadan esinlenerek, en yakın komşu yaklaşımı altında işbirlikçi filtreleme sistemlerinin tahmin performansını, doğruluğunu ve kapsamını, iyileştirmeyi öneriyoruz. İlk olarak, benzerlikleri hesaplanabilen olası tüm kullanıcılar yerine hedef ürünü oylayan kullanıcıların dinamik k komşu seçimi için aday olmaları önerilir. Benzerlik hesaplaması, en yakın komşuluk algoritmasının en önemli noktasıdır. Ayrıca, her kullanıcı için en iyi dinamik k komşularını belirlerken geleneksel Pearson korelasyon katsayısına ek olarak önemağırlıklandırma yaklaşımını kullanmayı öneriyoruz. Bilinen iki veri kümesindeki deneysel sonuçlar, daha kalifiye komşular seçmek için komşuları hedef ürünü oylayan kullanıcılar arasından seçmenin ve komşu seçme aşamasına önem-ağırlıklandırma yöntemi eklemenin dinamik k komşu seçimi metodunun tahmin performansını iyileştirdiğini göstermiştir. |
| Anahtar Kelimeler |
BM Sürdürülebilir Kalkınma Amaçları
| Atıf Sayıları | |
| Google Scholar | 3 |