Recommendation Systems (tavsiye Sistemleri)

Tavsiye sistemleri, kullanıcıların ilgi alanlarına ve geçmiş davranışlarına dayalı olarak ürün veya hizmet önerileri sunan algoritmalardır. İçeriğin fazla olduğu durumlarda, kullanıcıların tercihlerine uygun şekilde içerikleri filtreleyerek daha iyi bir deneyim sağlarlar. Bu sistemler, kullanıcı davranışlarını öğrenerek modeller oluşturur ve onların ihtiyaçları ile ilgilerine uygun sonuçlar üretir. Uygulama yöntemleri, bireyin geçmiş hareketlerine ya da benzer kullanıcıların tercihlerine dayanabilir.

Bu kısımda ele alacağımız konular :

— Simple Recommender System (Basit Tavsiye Sistemleri )

— Association Rule Learning (Birliktelik Kuralı Öğrenimi)

— İçerik Temelli Filtreleme (Content Based Filtering)

— İş Birlikçi Filtreleme (Collaborative Filtering)

Simple Recommender System (Basit Tavsiye Sistemleri )

İş bilgisi ya da basit tekniklerle yapılan genel önerilerdir.

Association Rule Learning (Birliktelik Kuralı Öğrenimi)

Sepet analizi olarak da adlandırılır. Birliktelik analizi ile öğrenilen kurallara yönelik ürün önerileri gerçekleştirilir. Veri içerisindeki örüntüleri bulmak için kullanılan kural tabanlı bir makine öğrenmesidir. Birliktelik kuralı uygulamalarında Apriori Algoritması kullanılmaktadır.

Apriori Algoritması :

Sepet analizi yöntemidir, ürün birlikteliklerini ortaya çıkarmak için kullanılır. Apriori algoritması üzerinden hesaplanan üç temel metrik vardır, bu metrikler veri seti içerisindeki ilişki, örüntüleri gözlemleme imkanı sunar.

1. Metrik : Support Değeri

X ve Y ‘nin birlikte görünme olasılığıdır.

2. Metrik : Confidence Değeri

X satın alındığında Y’nin satın alınma olasılığı

3. Metrik : Lift Değeri

X satın alındığında Y ‘nin satın alınma olasılığı Lİft kadar artar.

Apriori algoritması nasıl çalışır ? : Çalışmanın başında belirlenecek bir Support eşik değerine göre olası ürün çiftlerini hesaplar ve her iterasyonda belirlenen Support değerine göre elemeler yaparak final tablosunu oluşturur.

İçerik Temelli Filtreleme (Content Based Filtering)

Ürün içeriklerinin benzerlikleri üzerinden tavsiyeler geliştirilir. Elimizdeki ürünün meta bilgileri üzerinden benzerlikler hesaplanır ve ilgili ürüne en benzer olan ürünler önerilir.

Avantajları

• Sistemdeki daha az kullanıcıyla güvenilir sonuçlar elde edilebilir.
• Özellik seviyesinde öneriler sunulur.
• Yeni ürünler için de puanlama, satın alma olmadan da öneriler sunulabilir, bu şekilde cold-start problemi çözülmüş olur.

Dezavantajları

• Ürüne ait yeterli bilgi yoksa, öneri sistemi geçerliliğini yitirebilir.
• Öğe tabanlı filtreleme durumunda, yalnızca öğe profilleri oluşturulur ve kullanıcılara geçmiş hareketleri yerine derecelendirdikleri veya aradıkları şeye benzer öğeler önerilir. İçerik tabanlı filtreleme sistemi beklenmedik veya şaşırtıcı bir şey önermeyebilir.

Ürünün metin bilgilerini karşılaştıramıyoruz, matematiksel olarak işlem yapamıyoruz bunun için metinleri matematiksel olarak temsil etmek yani metinleri vektörleştirmemiz gerekir. Bunun için iki yöntem vardır; Count Vector (Word Count) ve TF — IDF.

Count Vector (Word Count) : Eşsiz tüm kelimeleri sütunlara yerleştirilir, satırlara ilgili tüm dokümanlar yerleştirilir. Eşsiz kelimelerin dokümanlarda geçme frekansları hücrelere yerleştirilir.

TF-IDF : Kelimelerin hem kendi metinlerinde hem de bütün odaklanılan veride geçme frekansları üzerinden normalizasyon işlemi yapar. Count Vector yönteminden ortaya çıkabilecek bazı yanlılıkları giderir. TF-IDF hesaplama adımları :

1. Adım : Count Vectorizer’ı hesaplama ;Kelimelerin her bir dokümandaki frekansı hesaplanır.
2. Adım : TF-Turn Frequency hesaplama ;

t teriminin ilgili dokümandaki frekansı/ dokümandaki toplam terim sayısı

3. Adım : IDF-Inverse Document Frequency hesaplama ;

1 + loge ((toplam döküman sayısı +1)/(içinde t terimi ola döküman sayısı +1))

4. Adım : TF * IDF hesaplanır.

5. Adım : L2 Normalizasyonu yapılır. Satırların kareleri toplamının karekökü bulunur. İlgili satırdaki tüm hücreler, bulunan değere bölünür. Böylece L2 Normalizasyonu yapılmış olur.

İş Birlikçi Filtreleme (Collaborative Filtering)

• Item-Based Collaborative Filtering
• User-Based Collaborative Filtering
• Model-Based Collaborative Filtering

İş birlikçi filtrelemede bu üç başlığı ele alacağız.

• Item-Based Collaborative Filtering (Ürün Tabanlı): Ürün benzerlikleri üzerinden öneriler yapılır. İçerik üzerinden öneri değildir, örneğin bir filmin içeriğine göre değil de beğenilme yapısına benzer yapıda olan filmler önerilir.
• User-Based Collaborative Filtering (Kullanıcı Tabanlı): Kullanıcıların birbirine benzerlikleri üzerinden öneriler yapılır.
• Model-Based Collaborative Filtering (Matrix Factorization): Bu yöntemi bir örnekle açıklayalım.

Kullanıcılar ve filmler olsun. Aşağıdaki tabloda da görüldüğü gibi bazı kullanıcılar bazı filmlere puan vermedikleri görülüyor. Buradaki amaç bu boşlukları doldurmak.

Peki bu boşlukları nasıl dolduracağız? Boşlukları doldurmak için user’lar ve movie’ler için var olduğu varsayılan latent feature’ların ağırlıkları var olan veri üzerinden bulunur ve bu ağırlıklar ile var olmayan gözlemler için tahmin yapılır.

• User-Item matrisini 2 tane daha az boyutlu matrise ayrıştırır.
• 2 matristen User-Item matrisine gidişin latent factor’ler ile gerçekleştiği varsayımında bulunur.
• Dolu olan gözlemler üzerinden latent factor’lerin ağırlıklarını bulur.
• Bulunan ağırlıklar ile boş olan gözlemler doldurulur.

Gradyan İniş (Gradient Descent)

Matrix Factorization için Gradient Descent yöntemini ele alacağız. Gradient Descent fonksiyon minimizasyonu için kullanılan bir optimizasyon yöntemidir. Gradyanın negatifi olarak tanımlanan ‘en dik iniş’ yönünde iteratif olarak parametre değerlerini güncelleyerek ilgili fonksiyonun minimum değerini verecek parametreleri bulur.

Kaynakça : https://miuul.com/tavsiye-sistemleri