Hibrit Filtreleme – Ödev Hazırlatma – Proje Yaptırma – Tez Yaptırma Fiyatları – Sunum Örnekleri – Ücretli Ödev Yaptırma – Ödev Yaptırma Ücretleri

info@akademidelisi.com * Her bölümden, Ödev Yaptırma, Proje Yazdırma, Tez Yaptırma, Rapor Yaptırma, Makale Yaptırma, spss ödev yaptırma, Araştırma Yaptırma, Tez Önerisi Hazırlatma talepleriniz için iletişim adreslerini kullanın. Makale YAZDIRMA siteleri, Parayla makale YAZDIRMA, Seo makale fiyatları, Sayfa başı yazı yazma ücreti, İngilizce makale yazdırma, Akademik makale YAZDIRMA, Makale Fiyatları 2022, Makale yazma, Blog Yazdırma, Blog Yazdırmak İstiyorum

Hibrit Filtreleme – Ödev Hazırlatma – Proje Yaptırma – Tez Yaptırma Fiyatları – Sunum Örnekleri – Ücretli Ödev Yaptırma – Ödev Yaptırma Ücretleri

14 Ekim 2022 Öneri sistemi isim önerileri Öneri sistemleri veri madenciliği Öneri sistemlerine giriş 0
BİT Çağında Dijital Okuryazarlık  – Ödev Hazırlatma – Proje Yaptırma – Tez Yaptırma Fiyatları – Sunum Örnekleri – Ücretli Ödev Yaptırma – Ödev Yaptırma Ücretleri

Ortak Filtreleme

Bilgi filtrelemeye yönelik tamamen içerik tabanlı bir yaklaşım, içerik analizi süreci ile sınırlıdır. Bazı alanlarda, yakın zamana kadar öğeler, içerik tabanlı filtrelemeyle (filmler, müzik, restoranlar gibi) herhangi bir yararlı özellik çıkarımına uygun değildi. Metin belgeleri için bile, temsiller içeriğin yalnızca belirli yönlerini yakalar ve bir kullanıcının deneyimini, örneğin kullanıcının zevkine ne kadar uyduğu gibi etkileyecek başka birçok yönü vardır.

İşbirlikçi filtreleme, bu sınırlamanın üstesinden gelmek için bir yaklaşımdır. CF’nin temel konsepti, “ağızdan ağza” gibi sosyal süreçleri otomatikleştirmektir. Günlük yaşamda insanlar ya ağızdan ağza, tavsiye mektupları, gazetelerde basılan film ve kitap incelemeleri yoluyla diğer insanların tavsiyelerine güvenirler. İşbirlikçi filtreleme sistemleri bu sürece yardımcı olur ve bunları artırır ve insanların karar vermelerine yardımcı olur.

Ortak filtreleme kullanmanın iki ana dezavantajı vardır: büyük kullanıcı öğesi veritabanlarının seyrekliği ve birinci sınıf sorunu. Seyreklik, yetersiz sayıda kullanıcı veya kullanıcı başına çok az derecelendirme nedeniyle yeterli derecelendirmenin bulunmadığı bir durumdur.

Seyrekliğe bir örnek, on binlerce lokasyona sahip bir seyahat acentesi Web sitesidir. Sistemdeki herhangi bir kullanıcı, konumların %1’ine bile (muhtemelen binlerce konum) seyahat etmiş olmayacaktır.

En yakın komşu algoritması kullanılırsa, kullanıcı öğesi veritabanında yeterli sayıda eş bulunmayacağından herhangi bir önerinin doğruluğu zayıf olacaktır. Birinci sınıf sorunu yeterli derecelendirmeye sahip olmayan yeni bir kullanıcı tanıtıldığında görüntülenir.

Bir öğe için herhangi bir derecelendirme yapılmamışsa veya yeni bir kullanıcı yeterli görüş, seçim veya derecelendirme ifade etmemişse, mevcut veriler yetersiz olduğundan herhangi bir tahmin yapılamaz veya kötü önerilerde bulunulur.

Buna karşılık, içerik tabanlı şemalar, bir kullanıcının performansı sistemdeki kullanıcı sayısına değil, yalnızca onun veya kullanıcı profiline bağlı olduğundan, derecelendirmelerin seyrekliğine ve birinci sınıf sorununa daha az duyarlıdır.

Hibrit Filtreleme

Hem içerik tabanlı hem de işbirliğine dayalı filtrelemenin, bunları uygulayan sistemlerin performansını ve doğruluğunu azaltan dezavantajları vardır. Bu yöntemler birleştirilirse, bir tekniğin dezavantajları diğerinin teknikleri ile giderilebilir ve bunun tersi de geçerlidir.

Aşağıdaki gibi çeşitli uygulamalar olmuştur.

• İşbirliğine dayalı önerilerde bulunarak, eksik ve kesin olmayan içerik analizi yöntemleri yerine başkalarının deneyimlerini temel alabiliriz.
• İçerik önerilerinde bulunarak başkaları tarafından görülmeyen öğelerle ilgilenebiliriz.
• İçerik profilini kullanarak, onlara benzer başka kullanıcı olmasa bile kullanıcılara iyi önerilerde bulunuyoruz. Öğeleri de filtreleyebiliriz.
• Aynı öğelerden hiçbirini derecelendirmemiş kullanıcılar arasında (benzer öğeleri değerlendirdikleri sürece) ortak önerilerde bulunabiliriz.
• Grup geri bildirimini kullanarak, aynı kişiselleştirme düzeyini elde etmek için potansiyel olarak daha az döngüye ihtiyacımız var.


Öneri sistemlerine giriş
Tavsiye Sistemleri
Öneri Sistemleri Python
Makine öğrenmesi tavsiye sistemleri
Öneri sistemleri veri madenciliği
Recommendation systems
Öneri sistemi isim önerileri
Collaborative filtering


Kullanıcı Profilleri

Bilgi filtrelemede, bir kullanıcının ihtiyaçları, kullanıcı profilleri adı verilen tercih veri dosyalarına çevrilir. Bu profiller, kullanıcıların uzun vadeli bilgi ihtiyaçlarını temsil eder. Kullanıcı profillerini kullanmanın ana dezavantajları, birden çok etki alanı için bir kullanıcı profili oluşturma ve bir kullanıcı profilini aşamalı olarak güncellemedir. Kullanıcı profili aşağıdakilerden biri veya daha fazlası tarafından doldurulabilir.

• Açık profil oluşturma: Bu tür profil oluşturma, kullanıcıların Web sitesine doğrudan ne istediklerini bilmelerini sağlar. Siteye giren her kullanıcı, kullanıcının tercihleriyle ilgili sorular soran bir tür çevrimiçi form dolduracaktır. Bu yöntemle ilgili sorun, oluşturulduktan sonra kullanıcı profilinin statik doğasıdır.

Kullanıcı profilinde saklanan tercihler, değişen kullanıcının tercihlerini hesaba katamaz. Örtülü kullanıcı profilleri: Bu tür kullanıcı profilleri, bir tür yazılım aracısı, örneğin akıllı aracılar, Web tarayıcıları vb. kullanılarak kullanıcı tercihlerinin otomatik olarak çıkarılması yoluyla kullanıcının davranış kalıbını izleyerek dinamik olarak oluşturulur.

Tüm bu kullanım istatistikleri, kullanıcı ve sistem arasında doğru bir etkileşim olan bir kullanım geçmişiyle ilişkilendirilir. Bu kullanım geçmişi daha sonra kullanıcının ilgi alanlarını gösteren bir kullanıcı profili oluşturmak için analiz edilir.

Kullanıcı profili, kullanıcı her yeni oturum başlattığında güncellenebilir, bu da dolaylı olarak oluşturulmuş profilleri dinamik hale getirir. Bu yöntemin dezavantajı, doğru bir profil oluşturmak için yeterli veri oluşturulmadan önce kullanıcının başlangıçta sitede gezinmesi ve keşfetmesi gerekmesidir.

• Örtük ve açık profil oluşturmanın melezi: Açık ve kapalı profil oluşturmanın sakıncaları, her iki yöntemi bir melezde birleştirerek üstesinden gelinebilir. Bu, bir tekniğin güçlü noktalarının diğerinin eksikliklerini gidermesine ve bunun tersini sağlar.

Hibrit yöntem, ilk verileri çevrimiçi bir form kullanarak açıkça toplayarak çalışır. Açıkça oluşturulan bu veriler daha sonra kullanıcı sitede gezindikçe örtülü izleme yöntemiyle güncellenir. Bu, her iki saf yönteme göre daha verimli bir yöntemdir. Bazı durumlarda, bu hibrit yöntem tersine çevrilir ve bir profil oluşturmak için başlangıçta örtük izleme yöntemleri kullanılır.

• Stereotip profilleme: Bu, veri madenciliği ve bir ziyaret periyodundaki kullanım geçmişlerinin analizi ile elde edilebilir. Bu, doğru olan eski verilerle mevcut kullanıcılar için doğru profil oluşturma sağlar.

Bu yöntemin dezavantajı, profilin eski olabilecek arşiv verilerinden oluşturulması nedeniyle açık profil oluşturma ile aynı statik yapıya sahip olmasıdır ve bu nedenle bazı güncellemeler gerekli olabilir.

Önceden tanımlanmış kullanıcı stereotipi, belirli malzemelerin tüketimi için ortak kullanım ve filtreleme gereksinimlerine sahip sanal bir kullanıcı veya kullanıcı grubu için oluşturulmuş içerik tabanlı bir kullanıcı profilidir. Basmakalıp profil, demografik ve sosyal nitelikler gibi basmakalıp kullanıcı hakkında ek bilgiler içerecektir.

Bu ek bilgi daha sonra yeni kullanıcıları benzer demografik ve sosyal özelliklerle eşleşen kalıplaşmış profillere yerleştirmek için kullanılır. Yeni kullanıcı, herhangi bir örtülü veya açık izlemeye ihtiyaç duymadan tercih bilgilerini otomatik olarak devralır.

 

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir