İşbirlikçi Filtreleme temelinde Film Öneri Sistemleri: Netflix üzerinde bir VakaÇalışması

Abstract

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.User ratings on items like movies, songs, and shopping products are usedby Recommendation Systems (RS) to predict user preferences for items that havenot been rated. RS has been utilized to give suggestions to users in various domainsand one of the applications of RS is movie recommendation. In this domain, threegeneral algorithms are applied; Collaborative Filtering that provides predictionbased on similarities among users, Content-Based Filtering that is fed from therelation between item-user pairs and Hybrid Filtering one which combines thesetwo algorithms. In this paper, we discuss which methods are more efficient in movierecommendation in the framework of Collaborative Filtering. In our analysis, we useNetflix Prize dataset and compare well-known Collaborative Filtering methodswhich are Singular Value Decomposition, Singular Value Decomposition++, K Nearest Neighbour and Co-Clustering. The error of each method is calculated byusing Root Mean Square Error (RMSE). Finally, we conclude that K-NearestNeighbour method is more successful in our dataset.