İşbirlikçi Filtreleme
Collaborative Filtering (Recommender Systems) · Ayrıca şöyle bilinir: user-based collaborative filtering, item-based collaborative filtering, matrix factorization recommender, işbirlikçi filtreleme
İşbirlikçi filtreleme, birçok kullanıcının tercihlerinden yararlanarak bir kullanıcıya öğeler önerir — 'sizin beğendiklerinizi beğenenler bunu da beğendi'. Seyrek bir kullanıcı-öğe etkileşim matrisinden, benzer kullanıcıları veya öğeleri bularak (komşuluk yöntemleri, Sarwar ve diğerleri tarafından 2001'de biçimlendirilmiştir) veya matrisi gizli kullanıcı ve öğe faktörlerine ayırarak (matris ayrıştırma, Netflix Ödülü'nden sonra Koren ve diğerleri tarafından popülerleştirilmiştir) öğrenir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İşbirlikçi filtrelemeyi, yalnızca etkileşim verilerinden — e-ticaret, akış, haber ve içerik platformları — yeterli kullanıcı ve etkileşiminiz olduğunda ve öğe içeriğine güvenmek istemediğinizde öneriler oluşturmak için kullanın. Komşuluk yöntemleri basit ve yorumlanabilirdir ('X'i beğendiğiniz için'); matris ayrıştırma daha iyi ölçeklenir, seyrekliği idare eder ve genellikle daha doğru tahminler yapar. Temel sınırlamalar: soğuk başlangıç problemi (etkileşimleri olmayan yeni kullanıcılar/öğeler yerleştirilemez), seyrekliği ve popülerlik yanlılığı ve önemli miktarda etkileşim verisine ihtiyaç duyulması. Saf işbirlikçi filtreleme, öğe/kullanıcı özniteliklerini göz ardı eder, bu nedenle genellikle hibrit önericilere içerik özellikleriyle birleştirilir; örtük geri bildirim ve derin öğrenme önericileri aynı fikri genişletir. Matris tamamlama ve NMF ile yakından ilişkilidir.
Güçlü yönler & sınırlılıklar
- Yalnızca etkileşim verisi gerektirir — öğe içeriği veya özellik mühendisliği yok.
- Kalabalıktan ince, ifade edilmesi zor damak zevki örüntülerini yakalar.
- Matris ayrıştırma, büyük, seyrek matrislere ölçeklenir ve doğru tahminler yapar.
- Komşuluk yöntemleri, yorumlanabilir 'beğendiğiniz için…' açıklamaları sunar.
- Soğuk başlangıç: etkileşimleri olmayan yeni kullanıcılar veya öğeler için öneri yapamaz.
- Seyrekliği ve popüler öğelere yönelik yanlılığa duyarlıdır.
- Hibrit yaklaşımların aksine, öğe/kullanıcı özniteliklerini (içerik) göz ardı eder.
- İyi çalışması için önemli miktarda etkileşim verisi gerektirir.
SSS
Kullanıcı tabanlı ve öğe tabanlı işbirlikçi filtreleme arasındaki fark nedir?
Kullanıcı tabanlı CF, size benzer kullanıcıların beğendiği öğeleri önerir; öğe tabanlı CF, beğendiğiniz öğelere benzer (kullanıcıların onları nasıl oyladığı açısından) öğeleri önerir. Öğe tabanlı, öğe-öğe benzerlikleri zaman içinde daha kararlı olduğu ve çevrimdışı olarak önceden hesaplanabildiği için ölçekte genellikle tercih edilir.
Matris ayrıştırma, komşuluk yöntemlerini nasıl iyileştirir?
Kullanıcıları ve öğeleri verilerden öğrenilen kısa gizli-faktör vektörleriyle temsil eder, böylece her derecelendirme onların nokta çarpımıdır. Bu, gizli damak zevki boyutlarını yakalar, seyrekliği daha iyi idare eder, doğrudan komşuların ötesine genelleştirir ve tipik olarak daha doğru tahminler yapar — bu yüzden Netflix Ödülü çözümlerine hakim oldu.
Soğuk başlangıç problemi nedir?
İşbirlikçi filtreleme geçmiş etkileşimlere dayanır, bu nedenle yepyeni kullanıcılar veya hiç etkileşimi olmayan öğeler için iyi öneriler yapamaz. Çözümler arasında başlangıç tercihlerini sormak, popülerliğe geri dönmek veya etkileşim geçmişi gerektirmeyen içerik tabanlı özelliklerle hibritleştirmek yer alır.
Kaynaklar
- Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms. Proceedings of the 10th International Conference on World Wide Web, 285–295. DOI: 10.1145/371920.372071 ↗
- Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30–37. DOI: 10.1109/MC.2009.263 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Collaborative Filtering (Recommender Systems). ScholarGate. https://scholargate.app/tr/machine-learning/collaborative-filtering
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Matris TamamlamaMakine öğrenmesi↔ karşılaştır
- Negatif Olmayan Matris Ayrıştırması (NMF)Makine öğrenmesi↔ karşılaştır