Methods To Improve Recommender Systems in E-Commerce and E-Learning Environments

Abstract

Recommendation systems play a critical role in the information Science application domain especially in e-commerce ecosystems. in almost all recommender systems statistical methods and machine learning techniques are used to recommend items to the users. Although the user-based collaborative filtering approaches have been applied successfully in many different domains some serious challenges remain especially in regards to large e-commerce sites for recommender systems need to manage millions of users and millions of catalog products. in particular the need to scan a vast number of potential neighbors makes it very hard to compute predictions. Many researchers have been trying to come up with solutions like using neighborhood-based collaborative filtering algorithms model-based collaborative filtering algorithms and text mining algorithms. Others have proposed new methods or have built various architectures/frameworks. in this thesis we propose a new data model based on users’preferences to improve item-based recommendation accuracy by using the Apache Mahout library. We also present details of the implementation of this model on a dataset taken from Amazon. Our experimental results indicate that the proposed model can achieve appreciable improvements in terms of recommendation quality. Moreover we have present a recommender framework that can be applied in e-learning domains.

Bilgi Toplumu uygulama alanlarında, özellikle de e-ticaret ekosistemlerinde öneri sistemleri kritik bir rol oynamaktadır. Neredeyse bütün öneri sistemleri,istatistik yöntemleri ve makine öğrenme teknikleri kullanıcılara önerilerde bulunur. Kullanıcı bazlı ortak filtreleme yaklaşımları bir çok farklı alanda başarıyla uygulanmasına rağmen, özellikle büyük e-ticaret sitelerinde bazı ciddi sorunlar devam etmektedir, Öneri sistemi için milyonlarca kullanıcıyı ve milyonlarca katalog ürününü yönetmek gerekir. Özellikle çok sayıda potansiyel komşuyu tarama ihtiyacı, öngörülen hesaplanmasını zorlaştırıyor. Birçok araştırmacı komşu bazlı ortak filtreleme algoritmaları, model bazlı ortak filtreleme algoritmaları, metin inceleme algoritmaları gibi çözümlerle ortaya çıkıyor. Diğerleri yeni yöntemler önerdiler veya çeşitleri mimariler/yapılar oluşturdular. Bu tezde, Apache Mahout kitaplığını kullanarak öğe bazlı öneri doğruluğunu iyileştirmek için kullanıcıların tercihlerine dayalı yeni bir veri modeli önermekteyiz. Ayrıca, bu modelin uygulanmasındaki ayrıntıları Amazon'dan alınan bir veri kümesi üzerinde sunuyoruz. Deneysel sonuçlarımız, önerilen modelin öneri kalitesi bakımından kayda değer gelişmeler sağlayabileceğini göstermektedir. Ayrıca, e-öğrenme alanlarında uygulanabilecek bir öneri çerçevesi sunmuş bulunmaktayız.