Abstract
Öneri sistemleri, kullanıcılara kişiselleştirilmiş öneri sunan bilgi filtreleme sistemleridir. Öneri tabanlı uygulamalar e-ticaret, film, makale, restoran ve seyahat gibi birçok alanda kullanılmaktadır. Özellikle metin tabanlı depolamaya sahip sistemler üzerinde geleneksel anahtar kelime tabanlı arama tekniğiyle karşılaştırıldığında, öneri sistemleri büyük veri için daha etkili ve özelleştirilmiş sistemler olarak ön plana çıkmaktadır. Bilimsel çalışma paylaşımının yapıldığı platformlarda içerik havuzunun genişlemesiyle birlikte metinsel veri kullanımında önemli artış görülmektedir. Bu durum, araştırmacıların kendi alanlarıyla ilgili güvenilir ve doğru yayınlara erişimini zorlaştırmaktadır. Araştırmacılar, çalışmalarına katkı sağlayacak en doğru yayınları bulmakta çok fazla zaman harcayabilmektedir. Bilimsel çalışma öneri sistemi, karşılaşılan bu sorunlara çözüm üreterek araştırmacılara ilgi alanlarına uygun yayınları hızlı bir şekilde bulmalarına yardımcı olmaktadır. Sınırlı deneyime sahip kişiler için bilimsel çalışma öneri sistemleri araştırmacıların ufuklarını ve araştırma ilgi alanlarını genişletmeleri doğrultusunda yayınlar sunmaktadır. İçerik tabanlı filtreleme yöntemi, bilimsel çalışma öneri sistemi tasarımında en yaygın kullanılan yöntem olup kullanıcıdan bağımsız modellenir. Bu çalışmada, içerik tabanlı yeni bir bilimsel çalışma öneri sistemi farklı benzerlik yöntemleri üzerinden karşılaştırmalı olarak tavsiye edilmektedir. Yöntemler ve öneri ağırlıkları değişiklik gösterse de aynı veri seti içerisinde aynı yayınların önerildiği görülmektedir. Ölçüm değeri olarak birbirine yakın yöntemler arasında seçim yapmak gerektiğinde ise hesaplama süresini dikkate almak gerektiği sonucuna varılmaktadır.
Supporting Institution
TÜBİTAK
Project Number
109M637
Thanks
Yazarlar finansal destek için TÜBİTAK'a (proje numarası 109M637) teşekkür ederler.
References
- Lu, J., D. Wu, M. Mao, W. Wang, and G. Zhang, Recommender system application developments: a survey. Decision Support Systems, 2015. 74: p. 12-32.
- Melville, P. and V. Sindhwani, Recommender systems. Encyclopedia of machine learning, 2010. 1: p. 829-838.
- Portugal, I., P. Alencar, and D. Cowan, The use of machine learning algorithms in recommender systems: A systematic review. Expert Systems with Applications, 2018. 97: p. 205-227.
- Beel, J., S. Langer, M. Genzmehr, B. Gipp, C. Breitinger, and A. Nürnberger. Research paper recommender system evaluation: A Quantitative Literature Survey. 2013. ACM Press.
- Beel, J., B. Gipp, S. Langer, and C. Breitinger, Research-paper recommender systems: a literature survey. International Journal on Digital Libraries, 2016. 17(4): p. 305-338.
- Wang, D.H., Y.C. Liang, D. Xu, X.Y. Feng, and R.C. Guan, A content-based recommender system for computer science publications. Knowledge-Based Systems, 2018. 157: p. 1-9.
- Maleszka, B., A Framework for Research Publication Recommendation System. 2019, Springer International Publishing. p. 167-178.
- Dhanda, M. and V. Verma, Recommender system for academic literature with incremental dataset. Procedia Computer Science, 2016. 89: p. 483-491.
- Sugiyama, K. and M.-Y. Kan. Scholarly paper recommendation via user's recent research interests. in Proceedings of the 10th annual joint conference on Digital libraries. 2010.
- Bai, X.M., M.Y. Wang, I. Lee, Z. Yang, X.J. Kong, and F. Xia, Scientific Paper Recommendation: A Survey. Ieee Access, 2019. 7: p. 9324-9339.
- Lops, P., M. De Gemmis, and G. Semeraro, Content-based recommender systems: State of the art and trends, in Recommender systems handbook. 2011, Springer. p. 73-105.
- ARXIV. URL:https://www.kaggle.com/neelshah18/arxivdataset. (Erişim Zamanı; 19/11/2020);
- NIPS. URL:https://www.kaggle.com/benhamner/nips-papers/notebooks. (Erişim Zamanı; 19/11/2020);
- Kanaris, K., I. Houvardas, and E. Stamatatos. WORDS VS. CHARACTER N-GRAMS FOR ANTI-SPAM FILTERING. 2006.
Abstract
Recommender systems are information filtering systems that offer personalized suggestions to users. Recommender-based applications are used in numerous areas, such as e-commerce, streaming services, textual media, restaurants, and tourism. Compared to traditional keyword-based search techniques, especially on systems with text-based storage, recommender systems stand out as more effective and customized systems for big data. With the expansion of the content pool on platforms where scientific study sharing is made, there is a significant increase in textual data use. This situation makes it difficult for researchers to access reliable and accurate papers in their domains. Researchers may spend a lot of time finding the most accurate publications to contribute to their studies. The scientific study recommender system helps researchers quickly find papers that are suitable for their interests. Scientific study recommender system offers publications to researchers, who have limited experience, to broaden their horizons and research interests. The content-based filtering method is the most widely used procedure in scientific study recommender system designs and is modeled independently from the user. In this study, a new content-based scientific study recommender system is comparatively suggested over different similarity methods. Although the methods and recommender weights vary, it is seen that the same publications are recommended within the same data set. When it is necessary to choose between methods that are close to each other as measurement values, it is concluded that the calculation time should be considered.
Project Number
109M637
References
- Lu, J., D. Wu, M. Mao, W. Wang, and G. Zhang, Recommender system application developments: a survey. Decision Support Systems, 2015. 74: p. 12-32.
- Melville, P. and V. Sindhwani, Recommender systems. Encyclopedia of machine learning, 2010. 1: p. 829-838.
- Portugal, I., P. Alencar, and D. Cowan, The use of machine learning algorithms in recommender systems: A systematic review. Expert Systems with Applications, 2018. 97: p. 205-227.
- Beel, J., S. Langer, M. Genzmehr, B. Gipp, C. Breitinger, and A. Nürnberger. Research paper recommender system evaluation: A Quantitative Literature Survey. 2013. ACM Press.
- Beel, J., B. Gipp, S. Langer, and C. Breitinger, Research-paper recommender systems: a literature survey. International Journal on Digital Libraries, 2016. 17(4): p. 305-338.
- Wang, D.H., Y.C. Liang, D. Xu, X.Y. Feng, and R.C. Guan, A content-based recommender system for computer science publications. Knowledge-Based Systems, 2018. 157: p. 1-9.
- Maleszka, B., A Framework for Research Publication Recommendation System. 2019, Springer International Publishing. p. 167-178.
- Dhanda, M. and V. Verma, Recommender system for academic literature with incremental dataset. Procedia Computer Science, 2016. 89: p. 483-491.
- Sugiyama, K. and M.-Y. Kan. Scholarly paper recommendation via user's recent research interests. in Proceedings of the 10th annual joint conference on Digital libraries. 2010.
- Bai, X.M., M.Y. Wang, I. Lee, Z. Yang, X.J. Kong, and F. Xia, Scientific Paper Recommendation: A Survey. Ieee Access, 2019. 7: p. 9324-9339.
- Lops, P., M. De Gemmis, and G. Semeraro, Content-based recommender systems: State of the art and trends, in Recommender systems handbook. 2011, Springer. p. 73-105.
- ARXIV. URL:https://www.kaggle.com/neelshah18/arxivdataset. (Erişim Zamanı; 19/11/2020);
- NIPS. URL:https://www.kaggle.com/benhamner/nips-papers/notebooks. (Erişim Zamanı; 19/11/2020);
- Kanaris, K., I. Houvardas, and E. Stamatatos. WORDS VS. CHARACTER N-GRAMS FOR ANTI-SPAM FILTERING. 2006.
Details
| Primary Language | Turkish |
|---|---|
| Journal Section | Articles |
| Authors | |
| Project Number | 109M637 |
| Publication Date | March 30, 2021 |
| Submission Date | December 9, 2020 |
| Published in Issue | Year 2021 Volume: 12 Issue: 2 |
