Matris Çözümlemesi Tabanlı Öneri Sistemlerinin Geliştirilmesi: Seyahat Öneri Sistemleri Üzerine Karşılaştırmalı Bir Çalışma

Abstract

Öneri sistemlerinin etkisi ve yararlılığı artmaya devam ettikçe, çeşitli uygulamalardaki önemi giderek daha belirgin hale gelmektedir. Bu nedenle, artan talep ve beklentileri karşılayacak hem verimli hem de yüksek doğruluğa sahip öneri sistemlerinin tasarımı ve uygulanması hayati önem taşımaktadır. Bu çalışma, bir seyahat tahmini öneri sistemleri yarışmasında birincilik ödülü alan bir modele odaklanmaktadır. Amacı, kullanılan modelin veri seti ile olan korelasyonu ve uygulanan azaltılmış veri setinin başarı oranı üzerindeki etkisinin model performansını etkileyip etkilemediğini araştırmaktır. Kaynak kullanımını azaltmak amacıyla veri setinde değişiklikler yapılmıştır. Genelde kullanılan yöntemlerin aksine, veri seti rastgele ve seçici azaltma yöntemleri kullanılarak beşte bir oranına kadar azaltılmış ve sonuçlar gözlemlenmiştir. Veri setinin rastgele azaltılması başarı oranında düşüşe neden olurken, yöntembilimsel azaltma yani seçimli azaltma başarı oranını önemli ölçüde artırmıştır. Orijinal modelde kullanılan derin öğrenme algoritmaları yerine, aynı ilkeleri kullanan başka bir algoritma olan Long Short-Term Memory (LSTM) kullanılmıştır. Gated Recurrent Unit (GRU) ve LSTM algoritmalarının veri seti üzerindeki etkileri de araştırılmıştır. Bu veri setleri için GRU algoritması, LSTM'den daha doğru sonuçlar üretmiştir. Embedding katmanlarında yeni modeller geliştirilmiş ve sonuçlar gözlemlenmiştir. Ayrıca, model tarafından kullanılan optimizatör değiştirilmiş ve diğer optimizatörlerin performansı değerlendirilmiştir. Optimizatörler, donanım üzerinde geniş bir yelpazede etkiler göstermiştir. Orjinal modelin elde ettiği başarı 0.5664 iken bu çalışmada yapılan deneylerde en yüksek ve en muteber 0.6654 başarıma ulaşılmıştır. Modellerde, optimizatörlerde ve özellik mühendisliğinde yapılan değişikliklerin etkili öneri sistemlerinin sürdürülebilirliği açısından yararlı olabileceğini savunuyoruz.

As the impact and usefulness of recommendation systems continue to grow, their importance in various applications is becoming more and more pronounced. Thus, it is crucial to design and implement recommendation systems that are both efficient and highly accurate to meet the increasing demands and expectations. This study focuses on a model awarded first place in a travel forecasting recommendation system competition. The objective is to investigate whether improvements, such as the correlation of the model used with the dataset and the impact of the reduced dataset applied on the success rate, affect the model's performance. Changes have been made to the dataset to reduce resource utilization. Unusually, the dataset has been reduced to one-fifth using random and selective reduction methods, and the results have been observed. While random reduction of the dataset has led to a decrease in the success rate, methodical reduction of the dataset has significantly increased the success rate. Instead of the deep learning algorithms used by the original model, GRU, another algorithm using the same principles, LSTM, is utilized. The effects of Gated Recurrent Unit (GRU) and Long Short-Term Memory (LSTM) on the data set are also investigated. For these datasets, the GRU algorithm has produced more accurate results than LSTM. New models have been developed on the embedding layers, and the results have been observed. Furthermore, the optimizer used by the model is changed and the performance of other optimizers is evaluated. Optimizers have shown a wide range of effects on hardware. The original model achieved a success rate of 0.5664, while the experiments conducted in this study reached the highest and most reliable success rate of 0.6654. We argue that changes applied to models, optimizers, and feature engineering can be useful for maintaining effective recommender systems.