E-ticaret siteleri için bulanık mantık ve makine öğrenmesi tabanlı bir öneri sistemi

Abstract

Öneri sistemleri özellikle e-ticaret sitelerinde, film izleme platformlarında, müzik dinleme platformlarında kullanıcılara en doğru ürünü tavsiye etmek üzerine geliştirilen sistemlerdir. Günümüzde veri üzerine yapılan çalışmaların artması öneri sistemlerinde de farklı yöntemler uygulanmasına yol açmıştır. Yapılan çalışmada e-ticaret sitelerinde kitap satın almak isteyen kullanıcılara yönelik bulanık mantık tabanlı ürün öneri sistemi sunulmuştur. Alınan ve görüntülenen diğer kitaplar verisi bilgileri ile desteksiz öğrenme (Unsupervised learning) kullanılarak kümeleme yapılmıştır. K-means algoritması kullanılarak yapılan kümeleme işlemi ile altı küme elde edilmiştir. Kitaplara ait diğer değişkenler olan sayfa sayısı, fiyat ve puan bilgilerinin bulunduğu veri seti modele uygun olacak şekilde hazırlanmıştır. Veri temizleme ve kümeleme işlemleri sonrasında elde edilen veri seti ile karar ağacı modeli oluşturulmuştur. C4.5 yöntemi kullanılan karar ağacı, değişkenlerin kitap kategorisini belirlemek için olan etkisini göstermiştir. Çalışmada kullanılan bulanık modelinin kuralları, bu karar ağacından yararlanarak oluşturulmuştur. Gerçek veri ile yapılan testler sonucunda, karar ağaçları ve bulanık modeller bir arada kullanıldığında başarılı sonuçların alındığı görülmüştür. Normalde veriye ihtiyaç duyulmayan bulanık modellerde, modelin tasarımı sırasında değişkenlerin ve etkilerinin çok iyi bilinmesi gerekir. Fakat bu çalışmadaki gibi karmaşık ve zor modellerde kuralların oluşturulması oldukça zor olacaktır. Karar ağaçları gibi bir yöntem yardımıyla kuralların hızlı ve doğru bir şekilde oluşturulabileceği, bu çalışmada elde edilen başarılı sonuçlar neticesinde anlaşılmıştır.

Recommendation systems are systems developed to advise on the most accurate product to users, especially on e-commerce sites, movie viewing platforms, and music listening platforms. Nowadays, the increasing number of studies on data has led to the application of different methods in recommendation systems. In the study, a fuzzy logic-based product recommendation system has been presented for users who want to buy books on e-commerce sites. Clustering has been made using unsupervised learning with information from the "also bought-viewed" book data. Six clusters were obtained by the clustering process using the K-means algorithm. The data set, which includes the page count, price and rating data, which are the other parameters of the books, has been prepared in accordance with the model. A decision tree model has been created with the data set obtained after data cleaning and clustering. The decision tree using the C4.5 method indicated the effect of the parameters to predict the book category. The rules of the Fuzzy model used in the study have been created by using this decision tree. It has been observed that successful results are obtained when tests are performed with real data and decision trees and fuzzy models are used together. Usually, in fuzzy models, data is not required. It is necessary to know the parameters and their effects during the design of the model. However, it will be complicated to determine rules in complex and challenging models like as in this study. As a result of the successful results obtained in this study, it has been understood that the rules can be created quickly and accurately with the help of a method such as decision trees.