TR-Dizin İndeksli Yayınlar Koleksiyonu

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/396

Browse

Filters

20212

Settings

Author: search.filters.author.Kaya, EcemPublication Index: search.filters.publicationIndex.TR-Dizin

Search Results

Now showing 1 - 2 of 2
  • Article
    İşbirlikçi Filtreleme temelinde Film Öneri Sistemleri: Netflix üzerinde bir VakaÇalışması
    (2021) Sütçü, Muhammed; Kaya, Ecem; Erdem, Oğuzkan
    Filmler, şarkılar ve alışveriş ürünleri gibi ögelerin kullanıcı değerlendirmeleriÖneri Sistemleri (ÖS) tarafından henüz değerlendirilmemiş ürünleri tahmin etmekiçin kullanılır. ÖS kullanıcılara çeşitli alanlarda öneri vermek için geliştirilmiştir veÖS uygulama alanlarından birisi de film önerisidir. Bu alanda üç genel algoritmakullanılmaktadır; kullanıcılar arası benzerliğe dayanarak tavsiye veren İşbirlikçiFiltreleme, kullanıcı-eşya eşleştirilmesindeki ilişkiden beslenen İçerik TabanlıFiltreleme ve bu iki algoritmayı birleştiren Hibrit Filtreleme. Bu çalışmamızdaİşbirlikçi Filtreleme çerçevesinde hangi metotların daha etkili çalıştığı incelenmiştir.Analizimizde Netflix Ödül veri seti kullanılmış ve iyi bilinen İşbirlikçi Filtrelememetotları olan Tekil Değer Ayrışımı, Tekil Değer Ayrışımı++, K En Yakın Komşu veEş Kümeleme kıyaslanmıştır. Her metodun hatası Ortalama Hata Kare Kökükullanılarak ölçülmüştür. Son olarak, K En Yakın Komşu metodunun veri setimizdedaha başarılı olduğu sonuçlanmıştır.
  • Article
    Movie Recommendation Systems Based on Collaborative Filtering: A Case Study on Netflix
    (Erciyes Üniversitesi, 2021) Sütçü, Muhammed; Erdem, Oğuzkan; Kaya, Ecem
    User ratings on items like movies, songs, and shopping products are used_x000D_ by Recommendation Systems (RS) to predict user preferences for items that have_x000D_ not been rated. RS has been utilized to give suggestions to users in various domains_x000D_ and one of the applications of RS is movie recommendation. In this domain, three_x000D_ general algorithms are applied; Collaborative Filtering that provides prediction_x000D_ based on similarities among users, Content-Based Filtering that is fed from the_x000D_ relation between item-user pairs and Hybrid Filtering one which combines these_x000D_ two algorithms. In this paper, we discuss which methods are more efficient in movie_x000D_ recommendation in the framework of Collaborative Filtering. In our analysis, we use_x000D_ Netflix Prize dataset and compare well-known Collaborative Filtering methods_x000D_ which are Singular Value Decomposition, Singular Value Decomposition++, KNearest Neighbour and Co-Clustering. The error of each method is calculated by_x000D_ using Root Mean Square Error (RMSE). Finally, we conclude that K-Nearest_x000D_ Neighbour method is more successful in our dataset.