Akademik Veri Yönetim Sistemi
Yalçın E. (Yürütücü), Bilge A.
TÜBİTAK Projesi, 2022 - 2024
Öneri sistemlerinde kişiselleştirilmiş öneri üretme süreci, başarıları ve verimlilikleri nedeniyle genellikle ortak filtreleme (OF) algoritmaları kullanılarak gerçekleştirilir. Bu algoritmalar geçmişte benzer eğilimler gösteren kullanıcıların gelecekte de benzer tercihlere sahip olacakları varsayımına dayanırlar ve genellikle kullanıcıların henüz deneyimlemedikleri ürünleri içeren sıralı öneri listeleri oluşturmaya odaklanırlar.
OF algoritmalarının bilinen bazı zayıflıkları bulunmaktadır. Bunlardan ilki, kullanıcıların ürünler/hizmetler hakkında kişisel tercihlerini belirtirken dolaylı olarak gizliliklerinin ihlal edildiğini düşünmeleri ve bu nedenle sisteme gerçek olmayan bilgiler beyan etmeleri ya da bu tür sistemleri kullanmayı tümüyle reddetmeleridir. Kullanıcıların gizlilik endişelerini gidermek için geliştirilen Gizliliği-koruyan OF (GKOF) algoritmaları veri bozma, karıştırma ve değiştirme gibi teknikleri kullanarak maskelenmiş veri üzerinde güvenilir öneriler üretilmesini sağlar. OF algoritmalarının diğer bir zayıf noktası ise, popüler ürünlerin çok sık görünür olduğu, diğer yandan popüler olmayan ürünlerin ilgili çekici olsalar bile hak ettiği değeri göremedikleri öneri listeleri üretmeleridir. Bu sorun genellikle OF algoritmalarının üzerinde eğitildikleri kullanıcı-ürün matrisindeki derecelendirmelerin dağılımındaki dengesizliklerden kaynaklanmaktadır.
GKOF algoritmalarının orijinal kullanıcı profillerini sahte derecelendirmeler ile değiştirmeye ve bozmaya odaklandığı düşünülürse, popülerlik yanlılığı açısından OF algoritmalarına kıyasla farklı sonuçlar üretecekleri öngörülebilir. Bu nedenle, projenin amaçlarından ilki, GKOF algoritmalarının popülerlik yanlılığı performanslarının analiz edilmesidir. Bununla birlikte, OF algoritmaları için geliştirilen mevcut popülerlik yanlılığı giderici yöntemlerin GKOF algoritmaları bağlamındaki performansları araştırılacaktır. Ayrıca hem OF hem de GKOF algoritmalarına uyumlu ve doğruluk-ötesi perspektifler bağlamında mevcut yaklaşımlardan daha nitelikli öneri listelerinin üretilmesini sağlayacak yeni bir popülerlik yanlılığı giderici yaklaşımın geliştirilmesi hedeflenmektedir. Bu yaklaşım GKOF algoritmalarında veri gizliliği için kullanılan sahte derecelendirme ekleme stratejisini miras alarak, profillerin genel yapısını bozmayacak şekilde popüler olmayan ürünlerin derecelendirme sayılarını arttırmaya odaklanacaktır. Böylece algoritmaların, derecelendirme dağılımı bağlamında daha dengeli profiller üzerinde eğitilmesini ve popüler olmayan ürünlerin de öneri listelerinde öne çıkarılmasını sağlayacaktır.
Öneri sistemleri, kullanıcılara önerilen ürünlerin onları maksimum düzeyde memnun etmesini sağlamaya odaklanmalıdır. Dolayısıyla, kullanıcıların profilleri dikkatlice analiz edilerek, geçmişteki deneyimleri ile uyumlu ürünlerin önerilmesi gerekmektedir. Bu nedenle, kullanıcıların popüler ürünlere olan gerçek eğilimleri onların farklı karakteristik özellikleri dikkate alınarak analiz edilecek ve OF ile GKOF algoritmalarının ürettikleri önerilerdeki popülerlik yanlılığının farklı karakteristik özelliklere sahip kullanıcıları/grupları ne şekilde etkilediği incelenecektir. Ayrıca, kullanıcıların gerçek popülerlik eğilimlerini gözeten hem OF hem de GKOF algoritmalarına uyumlu yeni bir kullanıcı-odaklı popülerlik yanlılığı giderici yaklaşımın geliştirilmesi hedeflenmektedir. Bu yöntem, önerilen ürün listelerini yeniden sıralama stratejisine dayanacaktır ve kullanıcıların popülerlik eğilimleri ile ürünlerin popülerliklerine göre optimize edilecektir.
Proje kapsamında yapılması planlanan çalışmalar literatürdeki önemli bir boşluğu dolduracağından özgün nitelikte olacaklardır ve uluslararası indeksli dergilerde yayınlanma potansiyeli yüksektir. Proje çıktısı bilimsel yayınlar, proje yürütücüsünün bu alandaki uluslararası tanınırlığını arttırmasına katkıda bulunarak yurt dışı doktora sonrası araştırma yapma fırsatı sağlayacaktır. Yapılacak çalışmalar turizm ve e-ticaret gibi sektörlere direkt olarak uygulanabilir olacaktır. Proje bünyesinde bir yürütücü, bir araştırmacı ve iki lisansüstü öğrencinin çalışması planlanmaktadır. Bu iki öğrenci proje süresince yaptıkları çalışmalar ile tezlerini de tamamlamış olacaklardır.