Clustering based diversity improvement in recommender systems

Abstract

Tavsiye sistemleri kullanıcıların geçmiş işlemleri, açık derecelendirmeleri veya örtük geribildirimleri gibi bilgilere dayanarak kullanıcıların ilgisini çekebilecek öğeleri (film, kitap, muzik, vb.) bulmalarına yardımcı olur. Tavsiye sistemlerinin başarısı tipik olarak tavsiye sisteminin doğruluğuna yani kullanıcı derecelendirmelerini ne kadar iyi tahmin edebildiğine göre belirlenir. Doğruluk tavsiye sistemlerinin çok önemli bir özelliği olmakla birlikte kullanıcı tatmini için başka önemli kriterlerin de olduğu kabul edilmiştir. Bunlardan bir tanesi çeşitliliktir. Çeşitlilik tavsiye listelerinin ne kadar farklı öğelerden oluştuğunu ölçer. Örneğin, bir film tavsiye sistemi, tavsiye listelerinin çeşitliliğini artırmak için farklı türlerden filmler önermeye çalışabilir. Bu çalışmada, tavsiye listelerinin çeşitliliğini artırmak için yeni bir yöntem öneriyoruz. Bu yöntem sayesinde kullanıcılar bir parametreyi kontrol ederek tavsiye listelerinin çeşitliliğini ayarlayabilirler. Metodumuzun öncekilere göre bir avantajı düşük bir hesaplayımsal zaman karmaşıklığına sahip olmasıdır. Bu sayede kullanıcılar çevrimiçi olarak tavsiye listelerin çeşitlilik seviyesini değiştirip sonuçları hemen görebilirler.

Recommender systems help users to find items (movies, books, music, etc.) of interest based on information about users such as past transactions, explicit ratings, or some implicit feedback. The success of a recommendation system is typically measured by the accuracy of its predictions, i.e., its ability to predict users' ratings for items. Although accurracy is a very important property of recommender systems, it has been recognized that there are other important properties of recommender systems which play valuable roles in user satisfaction. One such important property is diversity. Diversity measures the variety of a recommendation list. For example, for a movie recommender system, the system might try to suggest movies from different genres in order to increase the diversity of the recommendation lists. In this study, we present a new method to diversify recommendations. The method lets the users to adjust the diversity levels of their recommendation lists by using a tunable parameter. One advantage of our method over previous ones is that it has a low computational time complexity which makes it possible to work online so that users are able to see the results immediately when they change the diversity level of their recommendation lists.