İşbirlikçi Filtreleme
İşbirlikçi filtreleme, birçok kullanıcının davranışlarındaki örüntüleri kullanarak öğeler önermekte ve benzer düşünen kullanıcıların tercih ettiği öğeleri önermektedir.
Tanım
İşbirlikçi filtreleme, birçok kullanıcının birçok öğe üzerindeki ifade ettiği tercih örüntüsünü kullanarak bir kullanıcının bir öğeye olan tercihini tahmin etmektedir. Bu tahminler, kullanıcılar veya öğeler arasındaki benzerlik (komşuluk yöntemleri) ya da kullanıcı-öğe matrisini yeniden oluşturan öğrenilmiş gizli faktörler (model tabanlı yöntemler) aracılığıyla yapılmaktadır.
Kapsam
Bu konu, öğe içeriği olmaksızın kullanıcı-öğe etkileşim matrisinden öneri yapmayı kapsamaktadır: kullanıcı-kullanıcı ve öğe-öğe benzerliğini kullanan komşuluk (bellek tabanlı) yöntemler ile model tabanlı yöntemler, özellikle de gizli kullanıcı ve öğe faktörlerine matris ayrıştırma incelenmektedir. Benzerlik ölçütleri, seyrekliği ve ölçeklenebilirliği ele alma, örtük geri bildirim ve soğuk başlangıç sınırlaması gibi konulara değinilmektedir. Hibrit ve bağlama duyarlı uzantılar ile değerlendirme, bitişik konulara bırakılarak temel işbirlikçi paradigma ele alınmaktadır.
Temel sorular
- Komşuluk yöntemleri, tercihleri tahmin etmek için kullanıcı-kullanıcı veya öğe-öğe benzerliğini nasıl kullanır?
- Matris ayrıştırma, kullanıcılar ve öğeler için gizli faktörleri nasıl öğrenir?
- Kullanıcı-öğe matrisinin seyrekliği ve ölçeklenebilirliği nasıl ele alınır?
- Tıklamalar veya satın almalar gibi örtük geri bildirimler nasıl dahil edilir?
- İşbirlikçi filtreleme, soğuk başlangıç durumlarında neden zorlanır?
Anahtar kavramlar
- kullanıcı-öğe etkileşim matrisi
- kullanıcı-kullanıcı ve öğe-öğe benzerliği
- komşuluk (bellek tabanlı) yöntemleri
- matris ayrıştırma
- gizli faktörler
- veri seyrekliği
- örtük geri bildirim
- soğuk başlangıç problemi
Temel kuramlar
- Komşuluk tabanlı işbirlikçi filtreleme
- Tahminler, benzer kullanıcıların veya benzer öğelerin derecelendirmelerinden oluşturulmaktadır. Öğe tabanlı varyantlar, öğe-öğe benzerlikleri yavaş değiştiği ve önceden hesaplanabildiği için genellikle daha kararlı ve ölçeklenebilirdir.
- Matris ayrıştırma gizli faktör modelleri
- Seyrek kullanıcı-öğe matrisini, iç çarpımları tercihleri tahmin eden düşük boyutlu kullanıcı ve öğe faktör vektörlerine ayrıştırmak, gizli zevk boyutlarını yakalamaktadır ve Netflix Ödülü tarafından vurgulandığı gibi genellikle komşuluk yöntemlerinden daha iyi performans göstermektedir.
Klinik önem
İşbirlikçi filtreleme, e-ticaret, yayın akışı ve sosyal platformlar gibi alanlarda büyük ölçekli öneri sistemlerinin temelini oluşturmaktadır. Bu platformlarda bol miktarda etkileşim verisi, sistemlerin çeşitli kataloglarda ilgili öğeleri ortaya çıkarmasına olanak tanımaktadır. Matris ayrıştırma ve gizli faktör fikirleri, sinirsel öneri sistemleri de dahil olmak üzere modern öneri yaklaşımlarının çoğunun temelini oluşturmaktadır.
Tarihçe
İşbirlikçi filtreleme, 1990'ların ortalarında Usenet haberleri için GroupLens gibi sistemlerde ortaya çıkmıştır. Sarwar ve meslektaşlarının 2001 yılındaki öğe tabanlı algoritmaları ölçeklenebilirliği artırmış ve Netflix Ödülü (2006-2009), Koren, Bell ve Volinsky tarafından özetlenen matris ayrıştırma yöntemlerini öne çıkarmıştır. Gizli faktör modelleri, çağdaş öneri sistemleri için temel olmaya devam etmektedir.
Öne çıkan isimler
- Joseph Konstan
- John Riedl
- Yehuda Koren
- George Karypis
- Badrul Sarwar
İlgili konular
Temel eserler
- sarwar2001
- koren2009
- ekstrand2011
Sıkça sorulan sorular
- Kullanıcı tabanlı ve öğe tabanlı işbirlikçi filtreleme arasındaki fark nedir?
- Kullanıcı tabanlı yöntemler, hedef kullanıcıya benzer kullanıcılar tarafından beğenilen öğeleri önermektedir; öğe tabanlı yöntemler ise hedef kullanıcının zaten beğendiği öğelere benzer öğeleri önermektedir. Burada öğe benzerliği ortak derecelendirme örüntülerinden hesaplanmaktadır. Öğe tabanlı yöntemler, öğe benzerlikleri daha kararlı olduğu ve önceden hesaplanabildiği için genellikle daha ölçeklenebilirdir.
- Matris ayrıştırma neden bu kadar popüler oldu?
- Matris ayrıştırma, büyük, seyrek kullanıcı-öğe matrisini temel zevkleri yakalayan kompakt gizli faktörlere sıkıştırmaktadır. Bu sayede seyrekliği sorunsuz bir şekilde ele almakta ve görülmeyen tercihleri doğru bir şekilde tahmin etmektedir. Netflix Ödülü yarışmasındaki güçlü sonuçları, onu standart bir işbirlikçi filtreleme tekniği olarak pekiştirmiştir.