Görüntüleme
16
Öneri sistemleri, kişi ve öğe bilgilerini kullanarak ve birbirleriyle olan etkileşimlerini işleyerek kullanıcılara göre özelleştirilmiş öneriler sunmaktadır. Kişiselleştirilmiş ürün önerileri, kullanıcıların ilgilerini çeken ürünlere erişmelerini kolaylaştırmaktadır. Ders öneri sistemleri ise öğrencileri ilgilendikleri ve başarılı olabilecekleri alanlara yönlendirmeyi amaçlamaktadır. E-öğrenme sitelerinde farklı disiplinlerden çok sayıda kurs ve öğrenci bulunmaktadır. Bu durumun yanı sıra, öğrenciler eğitim aldıkları disiplinler dışındaki diğer alanlardan ders alabilmektedir. Buna karşın, eğitim kurumlarındaki öğrenciler ise önceden belirlenmiş bir müfredatı takip etmek zorundadır. Her eğitim kurumu, ders seçimi için farklı kısıtlara sahip olduğundan, ders öneri sistemi geliştirme problemine özel bir yaklaşım gerekmektedir. Problemin sınırlayıcı doğası gereği, eğitim kurumları için ders öneri sistemi geliştirilmesi zorlu bir alan olarak kabul edilmektedir. Bu nedenle, öğrenciler kayıt için ders seçerken bir öğretim üyesine danışmaktadırlar. Bu çalışmada, öğrenci ve ders bilgileri ile işbirlikçi filtreleme ve içerik tabanlı filtreleme modelleri kullanan hibrit öneri sistemi önerilmiştir. Sistem, önceden tanımlanmış ilişkilendirme kuralları olmadan, belirgin ve dolaylı verileri kullanarak tutarlı öneriler sunmaktadır. İşbirlikçi filtreleme algoritması, öğrencilerin notlarını değerlendirme skoru olarak kullanmaktadır. İçerik tabanlı filtreleme algoritması ise öğrenciler ve dersler hakkındaki metin formatında bulunan bilgileri, doğal dil işleme yöntemleri ile özellik vektörlerine dönüştürerek kullanmaktadır. Hibrit öneri sistemini oluşturma işleminde, işbirlikçi filtreleme ve içerik tabanlı filtreleme modellerinden birer tane seçilmiş ve farklı birleştirme yöntemleri uygulanmıştır. Deneysel sonuçlarda ise, sunulan hibrit öneri sisteminin kendisini oluşturan algoritmalardan, tüm değerlendirme metriklerinde, daha başarılı sonuçlar elde edebildiği görülmüştür. Sonuç bölümünde, farklı kombinasyonlar ile oluşturulmuş hibrit modeller için Precision@N, AP@N, mAP@N ve NDCG@N sıralamaya duyarlı metrik değerleri gösterilmektedir. Özellikle, içerik tabanlı filtreleme ve Bayes kişiselleştirilmiş sıralamasından oluşan hibrit model, diğer tüm tekil modellerden daha iyi performans göstermiştir.
Recommender systems provide personalized suggestions by processing user and item information and interactions. Personalized product recommendations make it easier for users to access products that interest them. Course recommendation systems, on the other hand, aim to guide students to fields of interest in which they can succeed. On e-learning sites, there are many courses and students from different fields. Also, students can select courses from other than the fields they are studying. However, students in educational institutions must follow a curriculum. Since each educational institution has distinct constraints on course selection, a specific approach to the problem is required to develop a course recommender system. Due to the restrictive nature of the problem, developing a recommendation system for institutions is considered challenging. Therefore, students consult a faculty member when selecting a course for enrollment. In this study, a hybrid recommender system is proposed using student and course information with collaborative filtering and content-based filtering models. The proposed system provides consistent recommendations by using explicit and implicit data, without predefined association rules. The collaborative filtering algorithms use grades as rating values. The content-based filtering algorithms utilize text-based information about students and courses by converting them into feature vectors using natural language processing methods. In the combination phase of the hybrid recommender system, only one of the collaborative filtering and one of the content-based filtering models are used with different ensembling methods. It is found that the suggested hybrid recommender system can achieve outperforming results for all evaluation metrics. The results show the values of the rank-aware metrics Precision@N, AP@N, mAP@N, and NDCG@N for the individual models and the hybrid models with different combinations. In particular, for content-based filtering with Bayesian personalized ranking, the hybrid model performs better than any algorithm in practice.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
