Akademik Veri Yönetim Sistemi
TÜBİTAK Projesi, 2022 - 2024
Öneri sistemlerinde kişiselleştirilmiş öneri üretme süreci, başarıları
ve verimlilikleri nedeniyle genellikle ortak filtreleme (OF) algoritmaları
kullanılarak gerçekleştirilir. Bu algoritmalar geçmişte benzer eğilimler
gösteren kullanıcıların gelecekte de benzer tercihlere sahip olacakları varsayımına
dayanırlar ve genellikle kullanıcıların henüz deneyimlemedikleri ürünleri
içeren sıralı öneri listeleri oluşturmaya odaklanırlar.
OF algoritmalarının bilinen bazı zayıflıkları bulunmaktadır.
Bunlardan ilki, kullanıcıların ürünler/hizmetler hakkında kişisel tercihlerini
belirtirken dolaylı olarak gizliliklerinin ihlal edildiğini düşünmeleri ve bu
nedenle sisteme gerçek olmayan bilgiler beyan etmeleri ya da bu tür sistemleri
kullanmayı tümüyle reddetmeleridir. Kullanıcıların gizlilik endişelerini
gidermek için geliştirilen Gizliliği-koruyan OF (GKOF) algoritmaları veri
bozma, karıştırma ve değiştirme gibi teknikleri kullanarak maskelenmiş veri
üzerinde güvenilir öneriler üretilmesini sağlar. OF algoritmalarının diğer bir
zayıf noktası ise, popüler ürünlerin çok sık görünür olduğu, diğer yandan popüler
olmayan ürünlerin ilgili çekici olsalar bile hak ettiği değeri göremedikleri öneri
listeleri üretmeleridir. Bu sorun genellikle OF algoritmalarının üzerinde
eğitildikleri kullanıcı-ürün matrisindeki derecelendirmelerin dağılımındaki
dengesizliklerden kaynaklanmaktadır.
GKOF algoritmalarının orijinal kullanıcı profillerini sahte
derecelendirmeler ile değiştirmeye ve bozmaya odaklandığı düşünülürse, popülerlik
yanlılığı açısından OF algoritmalarına kıyasla farklı sonuçlar üretecekleri
öngörülebilir. Bu nedenle, projenin amaçlarından ilki, GKOF algoritmalarının
popülerlik yanlılığı performanslarının analiz edilmesidir. Bununla birlikte, OF
algoritmaları için geliştirilen mevcut popülerlik yanlılığı giderici
yöntemlerin GKOF algoritmaları bağlamındaki performansları araştırılacaktır. Ayrıca
hem OF hem de GKOF algoritmalarına uyumlu ve doğruluk-ötesi perspektifler
bağlamında mevcut yaklaşımlardan daha nitelikli öneri listelerinin üretilmesini
sağlayacak yeni bir popülerlik yanlılığı giderici yaklaşımın geliştirilmesi
hedeflenmektedir. Bu yaklaşım GKOF algoritmalarında veri gizliliği için
kullanılan sahte derecelendirme ekleme stratejisini miras alarak, profillerin
genel yapısını bozmayacak şekilde popüler olmayan ürünlerin derecelendirme sayılarını
arttırmaya odaklanacaktır. Böylece algoritmaların, derecelendirme dağılımı
bağlamında daha dengeli profiller üzerinde eğitilmesini ve popüler olmayan
ürünlerin de öneri listelerinde öne çıkarılmasını sağlayacaktır.
Öneri
sistemleri, kullanıcılara önerilen ürünlerin onları maksimum düzeyde memnun
etmesini sağlamaya odaklanmalıdır. Dolayısıyla, kullanıcıların profilleri dikkatlice
analiz edilerek, geçmişteki deneyimleri ile uyumlu ürünlerin önerilmesi
gerekmektedir. Bu nedenle, kullanıcıların popüler ürünlere olan gerçek eğilimleri
onların farklı karakteristik özellikleri dikkate alınarak analiz edilecek ve OF
ile GKOF algoritmalarının ürettikleri önerilerdeki popülerlik yanlılığının farklı
karakteristik özelliklere sahip kullanıcıları/grupları ne şekilde etkilediği
incelenecektir. Ayrıca, kullanıcıların gerçek popülerlik eğilimlerini gözeten
hem OF hem de GKOF algoritmalarına uyumlu yeni bir kullanıcı-odaklı popülerlik
yanlılığı giderici yaklaşımın geliştirilmesi hedeflenmektedir. Bu yöntem, önerilen
ürün listelerini yeniden sıralama stratejisine dayanacaktır ve kullanıcıların
popülerlik eğilimleri ile ürünlerin popülerliklerine göre optimize edilecektir.
Proje kapsamında yapılması planlanan çalışmalar literatürdeki önemli bir boşluğu dolduracağından özgün nitelikte olacaklardır ve uluslararası indeksli dergilerde yayınlanma potansiyeli yüksektir. Proje çıktısı bilimsel yayınlar, proje yürütücüsünün bu alandaki uluslararası tanınırlığını arttırmasına katkıda bulunarak yurt dışı doktora sonrası araştırma yapma fırsatı sağlayacaktır. Yapılacak çalışmalar turizm ve e-ticaret gibi sektörlere direkt olarak uygulanabilir olacaktır. Proje bünyesinde bir yürütücü, bir araştırmacı ve iki lisansüstü öğrencinin çalışması planlanmaktadır. Bu iki öğrenci proje süresince yaptıkları çalışmalar ile tezlerini de tamamlamış olacaklardır.