Nedir Öneri Sistemleri?

Bir öneri sisteminin temel amacı, aşırı bilgi yükünü azaltmak ve kullanıcılara karar verme sürecinde yardımcı olabilecek kişiselleştirilmiş öneriler sunmaktır.

Müzik

Dinlenilecek müzik önerisi (örneğin Spotify)

Film

İzlenecek film önerisi (örneğin Netflix)

Ürün

Alınacak ürün önerisi (örneğin Amazon, AliExpress)

Sosyal Ağlar

Katılmak için grup, takip edilecek kişi, izlenecek videolar veya beğenilecek yayınlar önerisi

Türler | Öneri Sistemleri

Öneri sistemleri, kullanıcıların film, kitap, tatil veya elektronik ürünler gibi ürün veya hizmetleri ararken ilgili öğeleri keşfetmelerine ve daha iyi seçimler yapmalarına yardımcı olan bilgi arama ve filtreleme araçlarıdır. Öneri sistemleri, genel olarak kullanıcılara ilgili öğeleri önermeyi amaçlayan algoritmalardır.

Benzerlik Tabanlı Filtreleme

Kullanıcı-Kullanıcı ve Ürün-Ürün yaklaşımları

İçerik Tabanlı Filtreleme

Kullanıcılar ve Ürün Hakkında Ek Bilgiler

Konum Tabanlı Filtreleme

Konum Bilgileri

İşbirliğine Dayalı Filtreleme

Bellek Tabanlı Algoritmalar

Benzerlik Tabanlı Filtreleme

Kullanıcıya geçmişte beğendiği benzer öğeler önerilecektir.

Kullanıcı-kullanıcı ve öğe-öğe yaklaşımlarının temel özellikleri, yalnızca kullanıcı-öğe etkileşim matrisinden gelen bilgileri kullandıkları ve yeni öneriler üretmek için hiçbir model kullanmadıkları yönündedir.

İçerik Tabanlı Filtreleme

İçerik tabanlı yaklaşımlar, kullanıcılar ve/veya ürünler hakkında ek bilgiler kullanır.

Öğeleri ve kullanıcıları temsil etmek için bazı belirli özellikleri toplamak ve ayarlamak gerekir. Daha sonra birleştirilen özellikler kullanılarak makine öğrenmesi veya derin öğrenme modeli eğitilecektir.

Konum Tabanlı Filtreleme

Bu hizmetler, kullanıcılarının konum bilgilerini depolar ve buna göre öneriler oluşturur.

Bu, restoranlar, müzeler veya diğer ilgi çekici yerler veya kullanıcının bulunduğu yere yakın etkinlikler için öneriler içerebilir.

İşbirliğine Dayalı Filtreleme

Öneriler, zevkleri ve tercihleri tavsiye edilen kullanıcınınkine benzeyen kullanıcılar tarafından tüketilen ürünlere göre yapılır.

Bellek tabanlı algoritmalar tüm kullanıcı / öğe matrisine etki eder. Kullanıcıların / öğelerin benzerliğe göre gruplanabileceğini varsayarlar. Model tabanlı teknikler, tahmini bir model oluşturmak için bir dizi kullanıcı değerlendirmesi kullanır ve eğitim sırasında öğrenilen parametreleri kaydeder. Benzerlik ölçümleri kullanmak yerine, bu algoritmalar modellerin oluşturulmasıyla bilinmektedir.

Matris Çarpanlara Ayırma

İşbirliğine dayalı model tabanlı filtrelemede kullanılan tekniklerden biridir.

Belirli sayıda gizli özelliğe göre kullanıcı/ürün matrisi, kullanıcı ve ürün matrislerine bölünür ve derecelendirme puanı tahmin edilir. Daha sonra her kullanıcıya en yüksek oranlı ürünler önerilecektir.