Otokodlayýcýlara dayalý hibrit çoklu-ölçütlü öneri algoritmasý

Çoklu-ölçütlü öneri sistemleri, aþýrý bilgi sorunuyla baþa çýkmak için birden fazla ölçütü dikkate alarak kiþiselleþtirilmiþ öneriler üreterek etkili çözümler sunar. Çoklu-ölçütlü öneri sistemleri, geleneksel öneri sistemlerine göre kullanýcýlarýna daha doðru ve kiþiselleþtirilmiþ öneriler sunsa da, artan kriter sayýsý nedeniyle seyreklik bu tür sistemler için önemli bir sorun haline gelmektedir. Kullanýcýlar arasýnda ortak puanlanan ögelerin olmamasndan dolayýý, komþularý bulmak ve doðru tahminler üretmek zorlaþmaktadýr. Özellikle benzerlik-tabanlý çoklu-ölçütlü öneri yaklaþýmlarý, seyreklik probleminden önemli ölçüde etkilenmektedir. Bu nedenle, bu çalýþmada, bu sorunun olumsuz etkilerini en aza indirmek amacýyla, hem yorum hem de ölçüt derecelendirmelerinden otokodlayýcýlar ile çýkarýlan karmaþýk, düþük boyutlu ve gizli özellikleri kullanan hibrit benzerlik-tabanlý çoklu-ölçütlü bir öneri algoritmasý önerilmiþtir. Seyreklik yüzdesi %99,7235 olan gerçek bir veri seti üzerinde gerçekleþtirilen deneysel sonuçlar, önerilen çalýþmanýn diðer komþuluk-tabanlý çok kriterli yaklaþýmlara kýyasla daha doðru tahminler saðlayabildiðini göstermektedir.

A hybrid multi-criteria recommendation algorithm based on autoencoders

Multi-criteria recommender systems provide efficient solutions to deal with information overload problem by producing personalized recommendations considering multiple criteria. Even though multi-criteria recommender systems provide more accurate and personalized recommendations to their users compared with traditional recommender systems, sparsity becomes a major problem for such systems due to the increasing number of criteria. Due to the lack of co-rated items among users, finding out neighbors and producing accurate predictions become harder. Especially similarity-based multi-criteria recommendation approaches are significantly affected by the sparsity problem. Thus, aiming to minimize the negative impacts of that problem, a hybrid similarity-based multi-criteria recommendation method, that utilizes complex, low-dimensional and latent features obtained from both reviews and criteria ratings by autoencoders, is proposed in this work. The empirical results performed on a real data set with a sparsity percentage of 99.7235% show that the proposed work can provide more accurate predictions compared with other neighborhood-based multi-criteria approaches.