A scalable collaborative filtering system using distance measures of social network
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Türkiye
Tezin Onay Tarihi: 2013
Tezin Dili: İngilizce
Öğrenci: İSMAİL MELİH ÖNEM
Danışman: FERDA NUR ALPASLAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Tavsiye Sistemleri bilgi sistemlerinde ve araştırma topluluklarında birçok farklı yaklaşımla daha iyi sonuç vermeyi hedeflemeleri ile çok popülerlerdir. Bu tez içerisinde, sosyal ağ bilgilerini kullanarak öneri sistemleri geliştirmek için bir metodoloji sunulmaktadır. Kişilerin iş bilgilerinin yer aldığı bir veri kümesi içerisinde denemeler yaparak, tavsiye algoritmasının başarı oranını ve performansını arttırmayı amaçlarken, bunu da gerçek dünyada nasıl uygulanabileceği gösterilmektedir.Hedef olarak da iş arayan kişiler için uygun iş fırsatlarını bulmayı sağlayan gerçek zamanlı bir sistemin oluşturulmasının mümkün olup olmayacağı araştırılmaktadır. Kompozisyonun arka planında filtreleme algoritmasına daha uygun ve anlamlı girdi vermek yatmaktadır.Algoritmanın ilk aşamasında, sosyal ağ uzaklıklarının ve arkadaşlık mesa- felerinin hedef kümeyi özelleştirerek tavsiye sistemine nasıl daha uygun hale getirilebileceği araştırılmaktadır. Kullanıcıya benzer diğer insanları bulmak için sistem diğer insanları küçük kümelere bölmekte ve buna bir kümeleme(clustering) problemi olarak yaklaşmaktadır.Aslen ikinci aşamada bu kümeleme sosyal ağ uzaklıkları üzerinde yapılmaktadır. Kümele algoritması hedef kümeyi ilgili küçük kümelere bölerek, genel bir iş matrisi ve kişinin çalışma ihtimali olan iş çiftlerini oluşturmaktadır. Son olarak da, en çok tavsiye edilen işler, matris üzerinde yer alan vektörlerin birbirine uzaklıkları hesaplanarak çıkarılmaktadır. Item to Item Tavsiye Algoritması son adımda derecelendirilmiş bir tavsiye de yapmaktadır. Aslında, sosyal tabanlı ilişkilerin ve vektör benzerlik ölçütlerin algoritma üzerinde etkisi yorumlanmaktadır. Ayrıca değerlendirmeyi ve tavsiye kalitemizi karşılaştırmak için Kısıtlanmış Boltzmann Makinası(RBM) algoritması da kullanılmaktadır. Geniş veri kümelerinde hedef kümeyi küçültmek performansı arttırmanın yolu olduğu için, genel yöntemlere göre ölçeklendirilebilir bir yaklaşım sunulmaktadır. Aldığımız sonuçlar, oluşturduğumuz kollektif filtreleme algoritmasının performans karakteristiği ve başarımı üzerinde derin bir kavrama yaratmıştır.