Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightÇalışmanın temel amacı, farklı algoritmaların öneri doğruluğu, çeşitlilik, yenilikçilik ve kişiselleştirme açısından güçlü ve zayıf yönlerini ortaya koyarak, en uygun öneri modelini belirlemektir.
📌 3 Maddede Bu Makale
Özet
E-ticaret sektöründe kullanıcı deneyimini ve satışları artırmanın en önemli yollarından biri, kullanıcılara özel ürün önerileri sunabilen öneri sistemleridir. Bu sistemler, kullanıcıların geçmiş etkileşimleri, satın alma alışkanlıkları ve ürün özellikleri gibi verileri analiz ederek kişiselleştirilmiş öneriler oluşturur. Günümüzde, büyük e-ticaret platformları tarafından kullanılan gelişmiş öneri algoritmaları, müşteri sadakatini artırmak ve dönüşüm oranlarını yükseltmek için kritik bir rol oynamaktadır. Bu çalışmada, özel olarak oluşturulmuş ve gerçek bir e-ticaret platformundan elde edilen özgün bir veri seti kullanılarak, farklı algoritmaların ürün öneri sistemlerindeki performansı karşılaştırılmıştır. Algoritmalar, her bir kullanıcının tercihlerine göre önerilerde bulunmayı hedeflerken, farklı yöntemler ve yaklaşımlar kullanmaktadır. Bu algoritmaların performansı; Ortalama Doğruluk Puanı, Katalog Kapsamı, Ortalama Yenilik Puanı, Ortalama Çeşitlilik Puanı, Ortalama Kişiselleştirme Puanı metrikleri kullanılarak kapsamlı bir şekilde değerlendirilmiştir. Literatürde yer alan çalışmalar incelendiğinde bu çalışma, söz konusu metriklerin tamamı dikkate alınarak gerçek bir e-ticaret şirketi veri seti üzerinde yapılan özgün bir çalışmadır. Çalışmanın temel amacı, farklı algoritmaların öneri doğruluğu, çeşitlilik, yenilikçilik ve kişiselleştirme açısından güçlü ve zayıf yönlerini ortaya koyarak, en uygun öneri modelini belirlemektir.
Abstract
One of the most effective ways to enhance user experience and increase sales in the e-commerce sector is through recommendation systems that provide personalized product suggestions. These systems analyze data such as users’ past interactions, purchasing habits, and product features to generate tailored recommendations. Today, advanced recommendation algorithms used by major e-commerce platforms play a critical role in boosting customer loyalty and improving conversion rates. In this study, we compare the performance of various algorithms in product recommendation systems using a uniquely constructed and authentic dataset obtained from a real e-commerce platform. While algorithms aim to provide suggestions based on individual user preferences, they employ different methods and approaches. The performance of these algorithms is comprehensively evaluated using metrics such as Mean Average Precision, Catalog Coverage, Mean Novelty Score, Mean Diversity Score and Mean Personalization Score. Based on a review of studies in the literature, this study is original research conducted on a real e-commerce company dataset, taking all of the mentioned metrics into account. The primary objective of this research is to identify the most suitable recommendation model by revealing the strengths and weaknesses of different algorithms in terms of recommendation accuray, diversity, novelty, and personalization.