Azərbaycanca
Беларускі
Dansk
Deutsch
Española
Français
Indonesia
Italiana
日本語
Қазақ
Lietuvos
Nederlands
Português
Русский
සිංහල
แบบไทย
Türkçe
Українська
中國人
United State
Afrikaans
Öneri sistemi ya da tavsiye sistemi (bazı yerlerde 'sistem' yerine 'platform' ya da 'motor' kullanılır) bir kullanıcının bir öğeye vereceği 'değerlendirme' ya da 'tercih' miktarının öngörülmesini hedefleyen bir bilgi filtreleme sistemidir.
Önerici sistemler son yıllarda fazlaca yaygınlaşmış ve birçok farklı uygulamada kullanılmıştır. En popüler uygulamaları filmler, müzikler, haberler, kitaplar, bilimsel makaleler, arama sorguları, sosyal medya etiketleri ve genel anlamda ürünler üzerine yapılmıştır.
Genel bakış
Önerici sistemler iki farklı yöntemden birini kullanarak bir öneriler listesi üretir – işbirlikçi filtreleme ya da .İşbirlikçi filtreleme yaklaşımları kullanıcının geçmiş davranışları (geçmişte satın alınan ya da seçilen ya da değerlendirme yapılan öğeler) ile birlikte diğer kullanıcıların yaptığı benzer kararları kullanarak bir model oluşturur. Bu model daha sonra kullanıcının ilgisini çekebilecek öğelerin öngörülmesi için kullanılır. yaklaşımları ise öğelerin bir dizi karakteristiğinden yola çıkarak benzer karakteristiklere sahip diğer öğeleri önerir. Bu iki yaklaşım sıklıkla bir arada kullanılır (bkz. ).
İşbirlikçi ve içerik-bazlı filtreleme sistemleri arasındaki farklar iki popüler müzik önerme sisteminin karşılaştırmasıyla gösterilebilir – Last.fm ve Pandora Radyo.
- Last.fm, kullanıcının düzenli olarak dinlediği parçaları gözlemler ve bunları diğer kullanıcıların dinleme alışkanlıklarıyla karşılaştırarak bir önerilen şarkılar radyosu oluşturur. Kullanıcının kütüphanesinde yer almayan ama benzer zevklere sahip diğer kullanıcılar tarafından sıkça dinlenen şarkılar da Last.fm tarafından çalınabilir. Kullanıcıların davranışlarını kullanması sebebiyle bu yaklaşım bir işbirlikçi filtreleme örneğidir.
- Pandora bir şarkının ya da sanatçının özelliklerini (Music Genome Project tarafından sağlanan 400 özelliğin bir alt kümesi), benzer özelliklere sahip müziklerin çalındığı bir radyo başlatmak için kullanır. Kullanıcı geri bildirimi kullanılarak radyonun sonuçları iyileştirilir. Kullanıcının "beğenmediği" şarkıların özelliklerini zayıflatır ve "beğendiği" şarkıların özelliklerini güçlendirir. Bu bir içerik-bazlı yaklaşım örneğidir.
Bu sistem tiplerinin her birinin kendi güçlü ve zayıf yanları vardır. Yukarıdaki örnekte, Last.fm isabetli tahminler yapabilmek için bir kullanıcıdan büyük miktarda veri toplamalıdır. Bu durum problemi olarak bilinir ve işbirlikçi filtreleme sistemlerinde sıkça rastlanır. Pandora başlangıç için çok az bilgiye ihtiyaç duyar ama çok daha kısıtlı bir kapsama sahiptir (mesela, sadece başlangıç şarkısına benzer öneriler yapabilir).
Önerici sistemler, kullanıcıların kendilerinin bulamadıkları öğeleri keşfetmelerine yardımcı olarak arama algoritmalarına alternatif oluşturur. İlginç bir şekilde, öneri sistemleri yaygın olarak, alışılmamış tipte verileri indeksleyen arama motorları olarak gerçekleştirilir.
Önerici sistemler veri madenciliği ve makine öğrenmesi alanlarında etkin bir araştırma konusudur. Önerici sistem araştırmalarına ev sahipliği yapan konferanslardan bazıları RecSys, SIGIR ve KDD'dir.
Doğruluğun ötesinde
Önerici sistemler üzerindeki araştırmalar genellikle doğruluğu en yüksek önerme algoritmalarını bulmaya amaçlar. Ancak, önemli olan bir takım başka faktörler de vardır.
- Ayrışma – Kullanıcılar birbirine daha az benzeşen öğeleri tercih edebilir, örn. farklı sanatçılardan öğeler.
- Önerme sürekliliği – Bazen yeni öğeler önermektense daha önce önerilmiş öğelerin tekrar gösterilmesi daha işlevseldir.
- Gizlilik – Önerici sistemler sıklıkla kullanıcıların gizlilik kaygılarını dikkate almalıdır.
- Kullanıcı demografisi – Kullanıcıların kimlikleri öneri memnuniyetlerini etkileyebilir.
- Gürbüzlük – Kullanıcı katılımı olan öneri sistemleri sahtekârlığa bağışıklı olmalıdır.
- Rastlantısallık – Rastlantısallık "önerilerin ne kadar şaşırtıcı olduğu"'dur.
- Güven – Eğer güven vermiyorsa önerici sistemin kullanıcı nezdinde bir değeri olmaz. Kullanıcılara öneri yöntemlerinin nasıl çalıştığı açıklanarak güven kazanılabilir.
- Etiketleme – Kullanıcı tatmini önerilerin nasıl etiketlendiğine göre değişiklik gösterebilir.
Performans ölçütleri
Önerici algoritmaların etkililiğinin belirlenmesinde değerlendirmeler önemlidir. Yaygın olarak kullanılan metrikler mean squared error (MSE) ve root mean squared error (RMSE)'dir. ya da DCG gibi bilgi erişim metrikleri önerici yöntemin kalitesini belirlemek için kullanışlıdır. Ancak, klasik değerlendirme ölçütlerinin çoğu fazlaca eleştirilmektedir. Sıklıkla, çevrimdışı olarak adlandırılan bu değerlendirme yöntemlerinin sonuçları kullanıcı tatmini ile örtüşmez.
Zorluklar
Öneri sistemlerinin geliştirilmesinde karşılaşılan çeşitli zorluklar:
- Soğuk başlangıç sorunu: Sisteme yeni bir kullanıcı veya öğe eklendiğinde, sistemde bu kullanıcı veya öğe ile ilgili kayıtlı bilgi olmadığından öneriler hesaplanamaz. Bu sorun soğuk başlangıç sorunu olarak adlandırılır ve özellikle işbirlikçi filtreleme yönteminde ortaya çıkan bir sorundur. Bu sorunun üstesinden gelmek için sistem herhangi bir şekilde yeni eklenen kullanıcı veya öğe hakkında bilgi edinmeye çalışır ya da içerik bazlı filtreleme yönteminden faydalanılır.
- Seyrek veri sorunu: Öneri sistemleri çoğuklukla temelde matris işlemlerine dayanmaktadır. Sistemdeki kullanıcı ya da öğe sayısı az olduğunda veya sistemde yeterince kullanıcı verisi olmadığında matristeki veriler çok seyrek olur. Bu da seyrek matris işlemleri yapmayı gerektirir. Özellikle milyonlarca öğe ve kullanıcı barındıran sistemlerde seyrek veri sorunu daha da belirginleşir.
- Anındalık sorunu: Bazı öneri sistemleri dinamik veri ile çalışmaktadır. Örneğin haber öneri sistemlerinde, sistem her yeni haber geldiğinde güncellenmeli, kullanıcılara eski haberler sunulmaktan kaçınılmalıdır. Anındalık sorunu hem performans, hem de öneri kalitesi açıcından zorluk yaratmaktadır.
- Kullanıcı beğeni ve ilgi alanlarının değişmesi sorunu: Kullanıcıların beğenileri ve ilgi alanları zamanla değişebilmektedir. Özellikle uzun vadeli kullanıcılar göz önüne alındığında sistemin bu kişisel değişikliklere uyum sağlaması gerekmektedir.
- Ölçeklenebilirlik: Tüm çevrimiçi servisler gibi öneri sistemleri de kalabalık kitleleri hedef almaktadır. Öneri sisteminin çalıştığı alana göre (müzik, film, haber vs.) anındalık sorunu ile birleştiğinde ölçeklenebilirlik üstesinden gelinmesi önemli bir sorun haline gelmektedir.
- Düzensiz içerik: Özellikle metin tabanlı öğelerin tavsiye edilmesinde makine tarafından okunabilir ve yapısal olan içeriğin önemi büyüktür. Düzensiz ve yapısız olan içeriklerde (örneğin film özeti, haber metni vs) içeriğin sistem tarafından analiz edilip, içeriğin anlaşılması zorluk yaratmaktadır.
- Gri koyun sorunu: Bu sorun özellikle işbirlikçi filtreleme yönteminde ortaya çıkmaktadır. İşbirlikçi filtreleme kullanıcılar arasındaki benzerlikleri bularak benzer kullanıcılara benzer öğeler önerir. Ancak bazı kullanıcılar özeldir ve diğer kullanıcılarla tutarlı ortak beğenilere sahip değildir. Bu gibi durumlarda sadece işbirlikçi filtreleme kullanmak dezavantajlıdır.
- Rastlantısallık (aşırı uzmanlık) sorunu: Öneri sistemleri zaman içerisinde aşırı uzmanlaşabilir ve sürekli geçmişte önerilen öğelerle çok benzer öğeleri önermeye başlar. Sistem aynı öğelerden kaçınmalı ve yeni öneriler keşfedebilmelidir.
- Kullanıcı gizliliği sorunu: Öneri sistemleri kullanıcıların beğeni ve ilgi alanlarının sistem tarafından öğrenilmesi üzerine kurulmuştur. Ancak bu durum kullanıcılar hakkında hassas bilgilerin sistemde saklanması ve analiz edilmesi anlamına gelmektedir. Bu ise, hem kullanıcı gizliliği konusunda sorunlara yol açabilmekte hem de kullanıcıların öneri sistemlerine güveni konusunda soru işaretlerine sebep olabilmektedir. 2018 yılında Avrupa genelinde yürürlüğe giren kişisel verilerin korunması yönetmeliği (GDPR) sonrası, kişisel verilere dayanmayan öneri sistemlerinin geliştirilmesi konusunda çalışmalar başlatılmıştır.
- Komşu geçişkenliği sorunu: Önerilerin hesaplanmasında kullanılan matrisin seyrek olmasına (bkz. seyrek veri sorunu) ek olarak, var olan verinin birbirinden farklı öğelere yoğunlaşması sonucu oluşan bir sorundur. Bu durumda benzer tercih ve beğenilere sahip olan kullanıcılar, farklı öğeler hakkında verilere sahip oldukları için aralarındaki benzerliğin sistem tarafından bulunabilmesi mümkün değildir.
- Eşanlamlılık sorunu: Özellikle metin tabanlı öneri sistemlerinde (içeriğin anlaşılması için metin analizi yapılması gereken sistemlerde) eşanlamlı kelimeler zorluk çıkarmaktadır.
Ayrıca bakınız
Kaynakça
- ^ Francesco Ricci and Lior Rokach and Bracha Shapira, Introduction to Recommender Systems Handbook 2 Haziran 2016 tarihinde Wayback Machine sitesinde ., Recommender Systems Handbook, Springer, 2011, pp. 1-35
- ^ . TIME.com. 27 Mayıs 2010. 17 Ağustos 2013 tarihinde kaynağından arşivlendi. Erişim tarihi: 1 Haziran 2015.
- ^ Hosein Jafarkarimi; A.T.H. Sim and R. Saadatdoost A Naïve Recommendation Model for Large Databases 27 Nisan 2016 tarihinde Wayback Machine sitesinde ., International Journal of Information and Education Technology, June 2012
- ^ Prem Melville and Vikas Sindhwani, Recommender Systems 3 Mart 2016 tarihinde Wayback Machine sitesinde ., Encyclopedia of Machine Learning, 2010.
- ^ R. J. Mooney and L. Roy (1999). Content-based book recommendation using learning for text categorization. In Workshop Recom. Sys.: Algo. and Evaluation.
- ^ Andrew I. Schein, Alexandrin Popescul, , David M. Pennock (2002). Methods and Metrics for Cold-Start Recommendations. Proceedings of the 25th Annual International ACM Conference on Research and Development in Information Retrieval (SIGIR 2002). New York, New York: ACM. ss. 253-260. ISBN . 7 Şubat 2008 tarihinde kaynağından . Erişim tarihi: 2 Şubat 2008.
- ^ Ziegler, C.N., McNee, S.M., Konstan, J.A. and Lausen, G. (2005). "Improving recommendation lists through topic diversification". Proceedings of the 14th international conference on World Wide Web. ss. 22-32.
- ^ Joeran Beel, Stefan Langer, Marcel Genzmehr, Andreas Nürnberger (Eylül 2013). "Persistence in Recommender Systems: Giving the Same Recommendations to the Same Users Multiple Times". Trond Aalberg and Milena Dobreva and Christos Papatheodorou and Giannis Tsakonas and Charles Farrugia (Ed.). Proceedings of the 17th International Conference on Theory and Practice of Digital Libraries (TPDL 2013) (PDF). Lecture Notes of Computer Science (LNCS). 8092. Springer. ss. 390-394. 20 Ekim 2013 tarihinde kaynağından (PDF). Erişim tarihi: 1 Kasım 2013.
- ^ Cosley, D., Lam, S.K., Albert, I., Konstan, J.A., Riedl, {J}. (2003). "Is seeing believing?: how recommender system interfaces affect users' opinions". Proceedings of the SIGCHI conference on Human factors in computing systems. ss. 585-592.
- ^ {P}u, {P}., {C}hen, {L}., {H}u, {R}. (2012). "Evaluating recommender systems from the user's perspective: survey of the state of the art". User Modeling and User-Adapted Interaction. Springer. ss. 1-39.
- ^ Joeran Beel, Stefan Langer, Andreas Nürnberger, Marcel Genzmehr (Eylül 2013). "The Impact of Demographics (Age and Gender) and Other User Characteristics on Evaluating Recommender Systems". Trond Aalberg and Milena Dobreva and Christos Papatheodorou and Giannis Tsakonas and Charles Farrugia (Ed.). Proceedings of the 17th International Conference on Theory and Practice of Digital Libraries (TPDL 2013) (PDF). Springer. ss. 400-404. 20 Ekim 2013 tarihinde kaynağından (PDF). Erişim tarihi: 1 Kasım 2013.
- ^ {K}onstan, {J}.{A}., {R}iedl, {J}. (2012). "Recommender systems: from algorithms to user experience". User Modeling and User-Adapted Interaction. Springer. ss. 1-23.
- ^ {R}icci, {F}., {R}okach, {L}., {S}hapira, {B}., {K}antor {B}. {P}. (2011). "Recommender systems handbook". Recommender Systems Handbook. Springer. ss. 1-35.
- ^ Montaner, Miquel, L{\'o}pez, Beatriz, de la Rosa, Josep Llu{\'\i}s (2002). "Developing trust in recommender agents". Proceedings of the first international joint conference on Autonomous agents and multiagent systems: part 1. ss. 304-305.
- ^ Beel, Joeran, Langer, Stefan, Genzmehr, Marcel (Eylül 2013). "Sponsored vs. Organic (Research Paper) Recommendations and the Impact of Labeling". Trond Aalberg and Milena Dobreva and Christos Papatheodorou and Giannis Tsakonas and Charles Farrugia (Ed.). Proceedings of the 17th International Conference on Theory and Practice of Digital Libraries (TPDL 2013) (PDF). ss. 395-399. 20 Ekim 2013 tarihinde kaynağından (PDF). Erişim tarihi: 2 Aralık 2013.
- ^ Turpin, Andrew H, Hersh, William (2001). "Why batch and user evaluations do not give the same results". Proceedings of the 24th annual international ACM SIGIR conference on Research and development in information retrieval. ss. 225-231.
- ^ Beel, Joeran; Genzmehr, Marcel; Langer, Stefan; Nürnberger, Andreas; Gipp, Bela (1 Ocak 2013). "A Comparative Analysis of Offline and Online Evaluations and Discussion of Research Paper Recommender System Evaluation". Proceedings of the International Workshop on Reproducibility and Replication in Recommender Systems Evaluation. RepSys '13. New York, NY, USA: ACM. ss. 7-14. doi:10.1145/2532508.2532511. ISBN .
- ^ [1] 6 Mart 2019 tarihinde Wayback Machine sitesinde . Ontolojiler ve anlamsal çıkarsama kullanılarak bir öneri sistemi tasarlanması, Özlem Özgöbek, Doktora tezi, 2015
wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar
Oneri sistemi ya da tavsiye sistemi bazi yerlerde sistem yerine platform ya da motor kullanilir bir kullanicinin bir ogeye verecegi degerlendirme ya da tercih miktarinin ongorulmesini hedefleyen bir bilgi filtreleme sistemidir Onerici sistemler son yillarda fazlaca yayginlasmis ve bircok farkli uygulamada kullanilmistir En populer uygulamalari filmler muzikler haberler kitaplar bilimsel makaleler arama sorgulari sosyal medya etiketleri ve genel anlamda urunler uzerine yapilmistir Genel bakisBir puanlama sistemi uzerinde isbirlikci filtreleme ornegi Onerici sistemler iki farkli yontemden birini kullanarak bir oneriler listesi uretir isbirlikci filtreleme ya da Isbirlikci filtreleme yaklasimlari kullanicinin gecmis davranislari gecmiste satin alinan ya da secilen ya da degerlendirme yapilan ogeler ile birlikte diger kullanicilarin yaptigi benzer kararlari kullanarak bir model olusturur Bu model daha sonra kullanicinin ilgisini cekebilecek ogelerin ongorulmesi icin kullanilir yaklasimlari ise ogelerin bir dizi karakteristiginden yola cikarak benzer karakteristiklere sahip diger ogeleri onerir Bu iki yaklasim siklikla bir arada kullanilir bkz Isbirlikci ve icerik bazli filtreleme sistemleri arasindaki farklar iki populer muzik onerme sisteminin karsilastirmasiyla gosterilebilir Last fm ve Pandora Radyo Last fm kullanicinin duzenli olarak dinledigi parcalari gozlemler ve bunlari diger kullanicilarin dinleme aliskanliklariyla karsilastirarak bir onerilen sarkilar radyosu olusturur Kullanicinin kutuphanesinde yer almayan ama benzer zevklere sahip diger kullanicilar tarafindan sikca dinlenen sarkilar da Last fm tarafindan calinabilir Kullanicilarin davranislarini kullanmasi sebebiyle bu yaklasim bir isbirlikci filtreleme ornegidir Pandora bir sarkinin ya da sanatcinin ozelliklerini Music Genome Project tarafindan saglanan 400 ozelligin bir alt kumesi benzer ozelliklere sahip muziklerin calindigi bir radyo baslatmak icin kullanir Kullanici geri bildirimi kullanilarak radyonun sonuclari iyilestirilir Kullanicinin begenmedigi sarkilarin ozelliklerini zayiflatir ve begendigi sarkilarin ozelliklerini guclendirir Bu bir icerik bazli yaklasim ornegidir Bu sistem tiplerinin her birinin kendi guclu ve zayif yanlari vardir Yukaridaki ornekte Last fm isabetli tahminler yapabilmek icin bir kullanicidan buyuk miktarda veri toplamalidir Bu durum problemi olarak bilinir ve isbirlikci filtreleme sistemlerinde sikca rastlanir Pandora baslangic icin cok az bilgiye ihtiyac duyar ama cok daha kisitli bir kapsama sahiptir mesela sadece baslangic sarkisina benzer oneriler yapabilir Onerici sistemler kullanicilarin kendilerinin bulamadiklari ogeleri kesfetmelerine yardimci olarak arama algoritmalarina alternatif olusturur Ilginc bir sekilde oneri sistemleri yaygin olarak alisilmamis tipte verileri indeksleyen arama motorlari olarak gerceklestirilir Onerici sistemler veri madenciligi ve makine ogrenmesi alanlarinda etkin bir arastirma konusudur Onerici sistem arastirmalarina ev sahipligi yapan konferanslardan bazilari RecSys SIGIR ve KDD dir Dogrulugun otesindeOnerici sistemler uzerindeki arastirmalar genellikle dogrulugu en yuksek onerme algoritmalarini bulmaya amaclar Ancak onemli olan bir takim baska faktorler de vardir Ayrisma Kullanicilar birbirine daha az benzesen ogeleri tercih edebilir orn farkli sanatcilardan ogeler Onerme surekliligi Bazen yeni ogeler onermektense daha once onerilmis ogelerin tekrar gosterilmesi daha islevseldir Gizlilik Onerici sistemler siklikla kullanicilarin gizlilik kaygilarini dikkate almalidir Kullanici demografisi Kullanicilarin kimlikleri oneri memnuniyetlerini etkileyebilir Gurbuzluk Kullanici katilimi olan oneri sistemleri sahtekarliga bagisikli olmalidir Rastlantisallik Rastlantisallik onerilerin ne kadar sasirtici oldugu dur Guven Eger guven vermiyorsa onerici sistemin kullanici nezdinde bir degeri olmaz Kullanicilara oneri yontemlerinin nasil calistigi aciklanarak guven kazanilabilir Etiketleme Kullanici tatmini onerilerin nasil etiketlendigine gore degisiklik gosterebilir Performans olcutleriOnerici algoritmalarin etkililiginin belirlenmesinde degerlendirmeler onemlidir Yaygin olarak kullanilan metrikler mean squared error MSE ve root mean squared error RMSE dir ya da DCG gibi bilgi erisim metrikleri onerici yontemin kalitesini belirlemek icin kullanislidir Ancak klasik degerlendirme olcutlerinin cogu fazlaca elestirilmektedir Siklikla cevrimdisi olarak adlandirilan bu degerlendirme yontemlerinin sonuclari kullanici tatmini ile ortusmez ZorluklarOneri sistemlerinin gelistirilmesinde karsilasilan cesitli zorluklar Soguk baslangic sorunu Sisteme yeni bir kullanici veya oge eklendiginde sistemde bu kullanici veya oge ile ilgili kayitli bilgi olmadigindan oneriler hesaplanamaz Bu sorun soguk baslangic sorunu olarak adlandirilir ve ozellikle isbirlikci filtreleme yonteminde ortaya cikan bir sorundur Bu sorunun ustesinden gelmek icin sistem herhangi bir sekilde yeni eklenen kullanici veya oge hakkinda bilgi edinmeye calisir ya da icerik bazli filtreleme yonteminden faydalanilir Seyrek veri sorunu Oneri sistemleri coguklukla temelde matris islemlerine dayanmaktadir Sistemdeki kullanici ya da oge sayisi az oldugunda veya sistemde yeterince kullanici verisi olmadiginda matristeki veriler cok seyrek olur Bu da seyrek matris islemleri yapmayi gerektirir Ozellikle milyonlarca oge ve kullanici barindiran sistemlerde seyrek veri sorunu daha da belirginlesir Anindalik sorunu Bazi oneri sistemleri dinamik veri ile calismaktadir Ornegin haber oneri sistemlerinde sistem her yeni haber geldiginde guncellenmeli kullanicilara eski haberler sunulmaktan kacinilmalidir Anindalik sorunu hem performans hem de oneri kalitesi acicindan zorluk yaratmaktadir Kullanici begeni ve ilgi alanlarinin degismesi sorunu Kullanicilarin begenileri ve ilgi alanlari zamanla degisebilmektedir Ozellikle uzun vadeli kullanicilar goz onune alindiginda sistemin bu kisisel degisikliklere uyum saglamasi gerekmektedir Olceklenebilirlik Tum cevrimici servisler gibi oneri sistemleri de kalabalik kitleleri hedef almaktadir Oneri sisteminin calistigi alana gore muzik film haber vs anindalik sorunu ile birlestiginde olceklenebilirlik ustesinden gelinmesi onemli bir sorun haline gelmektedir Duzensiz icerik Ozellikle metin tabanli ogelerin tavsiye edilmesinde makine tarafindan okunabilir ve yapisal olan icerigin onemi buyuktur Duzensiz ve yapisiz olan iceriklerde ornegin film ozeti haber metni vs icerigin sistem tarafindan analiz edilip icerigin anlasilmasi zorluk yaratmaktadir Gri koyun sorunu Bu sorun ozellikle isbirlikci filtreleme yonteminde ortaya cikmaktadir Isbirlikci filtreleme kullanicilar arasindaki benzerlikleri bularak benzer kullanicilara benzer ogeler onerir Ancak bazi kullanicilar ozeldir ve diger kullanicilarla tutarli ortak begenilere sahip degildir Bu gibi durumlarda sadece isbirlikci filtreleme kullanmak dezavantajlidir Rastlantisallik asiri uzmanlik sorunu Oneri sistemleri zaman icerisinde asiri uzmanlasabilir ve surekli gecmiste onerilen ogelerle cok benzer ogeleri onermeye baslar Sistem ayni ogelerden kacinmali ve yeni oneriler kesfedebilmelidir Kullanici gizliligi sorunu Oneri sistemleri kullanicilarin begeni ve ilgi alanlarinin sistem tarafindan ogrenilmesi uzerine kurulmustur Ancak bu durum kullanicilar hakkinda hassas bilgilerin sistemde saklanmasi ve analiz edilmesi anlamina gelmektedir Bu ise hem kullanici gizliligi konusunda sorunlara yol acabilmekte hem de kullanicilarin oneri sistemlerine guveni konusunda soru isaretlerine sebep olabilmektedir 2018 yilinda Avrupa genelinde yururluge giren kisisel verilerin korunmasi yonetmeligi GDPR sonrasi kisisel verilere dayanmayan oneri sistemlerinin gelistirilmesi konusunda calismalar baslatilmistir Komsu geciskenligi sorunu Onerilerin hesaplanmasinda kullanilan matrisin seyrek olmasina bkz seyrek veri sorunu ek olarak var olan verinin birbirinden farkli ogelere yogunlasmasi sonucu olusan bir sorundur Bu durumda benzer tercih ve begenilere sahip olan kullanicilar farkli ogeler hakkinda verilere sahip olduklari icin aralarindaki benzerligin sistem tarafindan bulunabilmesi mumkun degildir Esanlamlilik sorunu Ozellikle metin tabanli oneri sistemlerinde icerigin anlasilmasi icin metin analizi yapilmasi gereken sistemlerde esanlamli kelimeler zorluk cikarmaktadir Ayrica bakinizIsbirlici filtreleme Toplu zeka Oruntu tanimaKaynakca Francesco Ricci and Lior Rokach and Bracha Shapira Introduction to Recommender Systems Handbook 2 Haziran 2016 tarihinde Wayback Machine sitesinde Recommender Systems Handbook Springer 2011 pp 1 35 TIME com 27 Mayis 2010 17 Agustos 2013 tarihinde kaynagindan arsivlendi Erisim tarihi 1 Haziran 2015 Hosein Jafarkarimi A T H Sim and R Saadatdoost A Naive Recommendation Model for Large Databases 27 Nisan 2016 tarihinde Wayback Machine sitesinde International Journal of Information and Education Technology June 2012 Prem Melville and Vikas Sindhwani Recommender Systems 3 Mart 2016 tarihinde Wayback Machine sitesinde Encyclopedia of Machine Learning 2010 R J Mooney and L Roy 1999 Content based book recommendation using learning for text categorization In Workshop Recom Sys Algo and Evaluation Andrew I Schein Alexandrin Popescul David M Pennock 2002 Methods and Metrics for Cold Start Recommendations Proceedings of the 25th Annual International ACM Conference on Research and Development in Information Retrieval SIGIR 2002 New York New York ACM ss 253 260 ISBN 1 58113 561 0 7 Subat 2008 tarihinde kaynagindan Erisim tarihi 2 Subat 2008 KB1 bakim Birden fazla ad yazar listesi link Ziegler C N McNee S M Konstan J A and Lausen G 2005 Improving recommendation lists through topic diversification Proceedings of the 14th international conference on World Wide Web ss 22 32 erisim tarihi kullanmak icin url gerekiyor yardim KB1 bakim Birden fazla ad yazar listesi link Joeran Beel Stefan Langer Marcel Genzmehr Andreas Nurnberger Eylul 2013 Persistence in Recommender Systems Giving the Same Recommendations to the Same Users Multiple Times Trond Aalberg and Milena Dobreva and Christos Papatheodorou and Giannis Tsakonas and Charles Farrugia Ed Proceedings of the 17th International Conference on Theory and Practice of Digital Libraries TPDL 2013 PDF Lecture Notes of Computer Science LNCS 8092 Springer ss 390 394 20 Ekim 2013 tarihinde kaynagindan PDF Erisim tarihi 1 Kasim 2013 KB1 bakim Birden fazla ad yazar listesi link Cosley D Lam S K Albert I Konstan J A Riedl J 2003 Is seeing believing how recommender system interfaces affect users opinions Proceedings of the SIGCHI conference on Human factors in computing systems ss 585 592 erisim tarihi kullanmak icin url gerekiyor yardim KB1 bakim Birden fazla ad yazar listesi link P u P C hen L H u R 2012 Evaluating recommender systems from the user s perspective survey of the state of the art User Modeling and User Adapted Interaction Springer ss 1 39 erisim tarihi kullanmak icin url gerekiyor yardim KB1 bakim Birden fazla ad yazar listesi link Joeran Beel Stefan Langer Andreas Nurnberger Marcel Genzmehr Eylul 2013 The Impact of Demographics Age and Gender and Other User Characteristics on Evaluating Recommender Systems Trond Aalberg and Milena Dobreva and Christos Papatheodorou and Giannis Tsakonas and Charles Farrugia Ed Proceedings of the 17th International Conference on Theory and Practice of Digital Libraries TPDL 2013 PDF Springer ss 400 404 20 Ekim 2013 tarihinde kaynagindan PDF Erisim tarihi 1 Kasim 2013 KB1 bakim Birden fazla ad yazar listesi link K onstan J A R iedl J 2012 Recommender systems from algorithms to user experience User Modeling and User Adapted Interaction Springer ss 1 23 erisim tarihi kullanmak icin url gerekiyor yardim KB1 bakim Birden fazla ad yazar listesi link R icci F R okach L S hapira B K antor B P 2011 Recommender systems handbook Recommender Systems Handbook Springer ss 1 35 erisim tarihi kullanmak icin url gerekiyor yardim KB1 bakim Birden fazla ad yazar listesi link Montaner Miquel L o pez Beatriz de la Rosa Josep Llu i s 2002 Developing trust in recommender agents Proceedings of the first international joint conference on Autonomous agents and multiagent systems part 1 ss 304 305 erisim tarihi kullanmak icin url gerekiyor yardim KB1 bakim Birden fazla ad yazar listesi link Beel Joeran Langer Stefan Genzmehr Marcel Eylul 2013 Sponsored vs Organic Research Paper Recommendations and the Impact of Labeling Trond Aalberg and Milena Dobreva and Christos Papatheodorou and Giannis Tsakonas and Charles Farrugia Ed Proceedings of the 17th International Conference on Theory and Practice of Digital Libraries TPDL 2013 PDF ss 395 399 20 Ekim 2013 tarihinde kaynagindan PDF Erisim tarihi 2 Aralik 2013 KB1 bakim Birden fazla ad yazar listesi link Turpin Andrew H Hersh William 2001 Why batch and user evaluations do not give the same results Proceedings of the 24th annual international ACM SIGIR conference on Research and development in information retrieval ss 225 231 erisim tarihi kullanmak icin url gerekiyor yardim KB1 bakim Birden fazla ad yazar listesi link Beel Joeran Genzmehr Marcel Langer Stefan Nurnberger Andreas Gipp Bela 1 Ocak 2013 A Comparative Analysis of Offline and Online Evaluations and Discussion of Research Paper Recommender System Evaluation Proceedings of the International Workshop on Reproducibility and Replication in Recommender Systems Evaluation RepSys 13 New York NY USA ACM ss 7 14 doi 10 1145 2532508 2532511 ISBN 9781450324656 1 6 Mart 2019 tarihinde Wayback Machine sitesinde Ontolojiler ve anlamsal cikarsama kullanilarak bir oneri sistemi tasarlanmasi Ozlem Ozgobek Doktora tezi 2015