İçeriğe geç
parazade
Yapay Zeka

İşbirlikçi Filtreleme Nedir?

İngilizce: Collaborative Filtering

Yayın: · Son güncelleme:

İşbirlikçi Filtreleme Nedir? Kısaca

İşbirlikçi filtreleme, bir kullanıcıya öneri yaparken ona benzer zevklere sahip diğer kullanıcıların beğendiklerini ya da birlikte tercih edilen öğeleri temel alan, öneri sistemlerinde yaygın kullanılan bir yöntemdir.

İşbirlikçi Filtreleme nedir?
İçindekiler
  1. İşbirlikçi filtreleme nedir?
  2. Türleri
  3. Örnek
  4. Sınırlamaları

İşbirlikçi filtreleme, "benzer zevke sahip insanlar benzer şeyleri sever" fikrine dayanan bir öneri yöntemidir. Öğenin ne olduğunu bilmesine gerek yoktur; yalnızca kullanıcıların öğelerle nasıl etkileşime girdiğine bakar.

İşbirlikçi filtreleme nedir?

Yöntemin temelinde bir kullanıcı-öğe matrisi bulunur. Satırlar kullanıcıları, sütunlar ürünleri ya da filmleri, hücreler ise puanları veya etkileşimleri gösterir. Bu matrisin büyük bölümü boştur, çünkü her kullanıcı öğelerin çok küçük bir kısmını dener. Algoritmanın görevi boş hücreleri, yani kullanıcının henüz denemediği öğelere vereceği puanı tahmin etmektir.

Türleri

  • Kullanıcı tabanlı: Sana en çok benzeyen kullanıcıları bulur ve onların beğenip senin henüz görmediğin öğeleri önerir.
  • Öğe tabanlı: Aynı kişiler tarafından birlikte beğenilen öğeleri eşleştirir. "Bunu alanlar şunu da aldı" bölümleri bu mantığa yakındır.
  • Model tabanlı: Matris ayrıştırma gibi yöntemlerle kullanıcıları ve öğeleri gizli özellik vektörleriyle temsil eder. Benzerlik ölçmek için çoğu zaman kosinüs benzerliği gibi ölçütler kullanılır.

Örnek

Varsayımsal bir film uygulamasında Ayşe ile Mehmet beş filme neredeyse aynı puanları vermiş olsun. Mehmet altıncı bir filme yüksek puan verdiyse ve Ayşe bu filmi henüz izlemediyse, sistem filmi Ayşe'ye önerir.

Sınırlamaları

  • Soğuk başlangıç: Hiç etkileşimi olmayan yeni kullanıcıya veya yeni öğeye öneri yapmak zordur.
  • Seyreklik: Matris çok boş olduğunda benzerlikler güvenilmez hâle gelir.
  • Popülerlik yanlılığı: Çok etkileşim alan öğeler daha da öne çıkar, niş içerikler gölgede kalabilir.

Bu sorunları azaltmak için yöntem genellikle içerik tabanlı filtreleme ile birleştirilerek hibrit sistemler kurulur.

Sıkça Sorulan Sorular

İşbirlikçi filtreleme neden "işbirlikçi" olarak adlandırılır?

Çünkü bir kullanıcıya yapılan öneri, diğer pek çok kullanıcının davranışlarından ortak olarak elde edilen bilgiye dayanır. Kullanıcılar farkında olmadan birbirleri için filtreleme yapmış olur.

İşbirlikçi filtreleme hangi durumlarda zayıf kalır?

Yeni kullanıcılar ve yeni ürünler için yeterli etkileşim verisi olmadığında zayıf kalır. Ayrıca veri çok seyrek olduğunda ya da kullanıcı tabanı küçük olduğunda benzerlik hesapları güvenilirliğini kaybeder.

İlgili terimler

İçerik Tabanlı Filtreleme(Content-Based Filtering)İçerik tabanlı filtreleme, bir kullanıcının daha önce beğendiği öğelerin tür, konu, anahtar kelime gibi özelliklerini çıkarıp bu özelliklere benzeyen yeni öğeleri öneren bir öneri sistemi yöntemidir.Öneri Sistemi(Recommender System)Öneri sistemi (recommender system), kullanıcıların geçmiş davranışlarını, tercihlerini ve benzer kullanıcıların hareketlerini analiz ederek ilgilenebilecekleri ürün, film, şarkı, haber ya da içerikleri tahmin edip sunan yapay zekâ sistemidir.Soğuk Başlangıç Problemi(Cold Start Problem)Soğuk başlangıç problemi, bir öneri sisteminin yeni bir kullanıcı, yeni bir ürün ya da yeni kurulmuş bir platform hakkında yeterli etkileşim verisi olmadığı için isabetli öneri yapamaması durumudur.Kosinüs Benzerliği(Cosine Similarity)Kosinüs benzerliği (cosine similarity), iki vektör arasındaki açının kosinüsünü hesaplayarak bu vektörlerin ne kadar aynı yönü gösterdiğini ölçen bir benzerlik ölçüsüdür. Değer 1'e yaklaştıkça vektörler, dolayısıyla temsil ettikleri metinler daha benzer kabul edilir.Matris(Matrix)Matris, sayıların satır ve sütunlar hâlinde dikdörtgen bir tabloya dizilmiş biçimidir. Doğrusal cebirin temel nesnesidir ve yapay zekâda verileri, görüntüleri ve sinir ağı ağırlıklarını temsil etmek için kullanılır.Özellik(Feature)Özellik (feature), makine öğrenmesinde her bir örneği tanımlayan ve modelin tahmin yaparken girdi olarak kullandığı ölçülebilir nitelik ya da değişkendir. Örneğin ev fiyatı tahmininde metrekare, oda sayısı ve konum birer özelliktir.