Bir Perakende Firmasında Metin Benzerliği ve Tekil Değer Ayrışımı Algoritması Tabanlı Ürün Öneri Sisteminin Oluşturulması

Öz

Günümüzde şirketlerin dijital dönüşüm kapsamında yaptığı çalışmalar özellikle pandemi sonrası tüketiciden gelen talebin artmasıyla giderek hız kazanmıştır. Bu bağlamda, E-Ticaret alanında web site ve mobil uygulamalarda müşteriye en uygun ürün önerilerinin sunulması, müşteri ihtiyaçlarının karşılanması ve şirketlerin satış hedeflerinin gerçekleştirilmesi için ürün öneri sistemlerine ihtiyaç duyulmuştur. Bu alanda yapılan çalışmalar, ürün tipi ve çeşitliliği değişkenlik gösterdiği için çoğu zaman mantıksız ve yanlış ürün önerilerinin tüketicilere sunulmasına yol açtığı, farklı sitelerin ürün önerileri incelendiğinde açıkça görülmüştür. Bu çalışmada, şirketin ürün ve veri yapısına göre en uygun şekilde veri manipülasyonun gerçekleştirilmesi, özelleştirilmiş fonksiyonların yazılması, Metin Benzerliği ve Tekil Değer Ayrışımı algoritmasına dahil olarak en uygun tamamlayıcı ürünlerin gösterilmesi sağlanmıştır. En uygun algoritmanın geliştirilerek yazılımı tamamlanmıştır. Elde edilen ürün önerileri web sitesi ve mobil uygulamada canlıya alınmıştır. Sonuçlar Google Analytics üzerinden ve Python kodlarıyla ayrı ayrı gözlemlenmiştir. Yapılan çalışma sonucunda geliştirilen ürün öneri sisteminin mevcut sisteme kıyasla set halinde satılan ürünlerde %7,62, tekli olarak satılan ürünlerde ise %11,2 oranında daha iyi performans gösterdiği gözlemlenmiştir. Ayrıca ilgili alanın web site ve mobil uygulamada görüntülenme sayısı %7,17, tıklanma sayısı %28,93 artış göstermiştir. Ürün önerilerinin mevcut duruma kıyasla daha mantıklı ve tamamlayıcı olarak daha ilişkili ürün önerileri sunduğu tespit edilmiştir ve ilgili alanlar farklı zamanlarda incelenerek gözlemlenmiştir.

Anahtar Kelimeler

• Ürün Öneri Sistemi
• E-Ticaret
• Metin Benzerliği
• Tekil Değer Ayrışımı

Creating a Text Similarity and Singular Value Decomposition Algorithm Based Product Recommendation System in a Retail Company

Abstract

Due to rising client demand following the pandemic, organizations' initiatives in the field of digital transformation are gaining pace nowadays. Product recommendation systems were necessary for this context to deliver the most relevant product choices to clients, meet their expectations, and accomplish the businesses' sales targets through the e-Commerce website and mobile applications. Examining the product suggestions of numerous websites reveals that study on this subject frequently results in the presentation of illogical and erroneous product recommendations to visitors, given the variety and type of things accessible. This study looked into data manipulation, building custom functions, Text Similarity, and Singular Value Decomposition. The algorithm displays the best complementary commodities. The software was completed by developing the best algorithm. The product proposals were brought to life through the use of a website and a mobile application. Individual observations were made using Google Analytics and Python scripts. The study found that the created product recommendation system beat the current system by 7.62 percent in items sold as a group and by 11.2 percent in products sold separately. Furthermore, the number of views on the website and mobile application for the relevant area climbed by 7.17 percent, and the number of clicks increased by 28.93 percent. It has been decided that the product suggestions provide more logical and complementary product recommendations than the existing situation, and the relevant regions have been monitored and reviewed at various times.

Keywords

• Product Recommendation Engine
• E-Commerce
• Text Similarity
• Singular Value Decomposition

Kaynakça

1. [1] G. Adomavicius, A. Tuzhilin, “Toward the next generation of recommender systems: A survey of the stateof-the-art and possible extensions,” IEEE Transactions on Knowledge and Data Engineering, vol. 17, no. 6. 2005.
2. [2] B. Sarwar, G. Karypis, J. Konstan, J. Riedl, "Item-based collaborative filtering recommendation algorithms", Proceedings of the tenth international conference on World Wide Web - WWW ’01, New York., 285-295, 2001.
3. [3] C. A. Gomez-Uribe, N. Hunt, “The netflix recommender system: Algorithms, business value, and innovation,” ACM Trans. Manag. Inf. Syst., vol. 6, no. 4, 2015.
4. [4] B. Smith, G. Linden, “Two Decades of Recommender Systems at Amazon.com,” IEEE Internet Comput., vol. 21, no. 3, 2017.
5. [5] S. Qin, R. Menezes, M. Silaghi, “A recommender system for youtube based on its network of reviewers”, 2010.
6. [6] M. Schedl, H. Zamani, C. W. Chen, Y. Deldjoo, M. Elahi, “Current challenges and visions in music recommender systems research,” Int. J. Multimed. Inf. Retr., vol. 7, no. 2, 2018.
7. [7] E. Yalçın, “İşbirlikçi Filtreleme Algoritmalarının Çok-Beğenilen Ürünlere Yönelik Yanlılığı”, BŞEÜ Fen Bilimleri Dergisi, vol. 8, no. 1, pp. 279-291, 2021.
8. [8] L. Zhaoyang, “Matris Ayrışımı,” İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, Ekonometri Anabilim Dalı, Yüksek Lisans Tezi, 1993.

9. [9] A. Dundar, A. Gorgulu Kakisim, “Kıyafet Öneri Sistemi için Giyim Metaverilerine Dayalı Temsil Öğrenimi”, Avrupa Bilim ve Teknoloji Dergisi, vol. 29, pp. 105-110. 10, 2021.
10. [10] Y. K. Choi and S. K. Kim, “An auxiliary recommendation system for repetitively purchasing items in Ecommerce,” 2014, doi: 10.1109/BIGCOMP.2014.6741415.
11. [11] H. Alharthi, D. Inkpen, and S. Szpakowicz, “A survey of book recommender systems,” J. Intell. Inf. Syst.,vol. 51, no. 1, 2018.
12. [12] S. Guler, “Öneri Sistemleri ve E-Ticarette Öneri Sistemlerinin Kullanımı”, Sakarya Üniversitesi, FenBilimleri Enstitüsü, Bilgisayar ve Bilişim Mühendisliği, Yüksek Lisans Tezi. 2019.
13. [13] M. Uçar, “E-Ticaret Siteleri için Bulanık Mantık ve Makine Öğrenmesi Tabanlı bir Öneri Sistemi”, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar ve Bilişim Mühendisliği, Yüksek Lisans Tezi, 2021.
14. [14] E. Yıldız, “Müşteri Segmentasyonu Odaklı Bütünleşik Bir Ürün Öneri Sistemi: Moda Perakendesi Sektöründe Bir Uygulama”, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği, Yüksek Lisans Tezi, 2018.
15. [15] B. Batmaz, “Yükseköğretimde Öneri Sistemlerine Dayalı Ders Seçme Modeli”, Eskişehir Osmangazi Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Bilgi Sistemleri, Doktora Tezi, 2018.
16. [16] Ü. Keleş, N. Duru, “Metin Benzerliği Algoritmaları ile Veri Tekilleştirme: Oteller Veri Tabanında Bir Uygulama”, Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, vol:5, no:1, 2021.
17. [17] R. T. Ionescu, M. Popescu, “Knowledge Transfer between Computer Vision and Text Mining”, Switzerland: Springer, 2016.
18. [18] Z. Li, “Matris Ayrışımı”, İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü. Ekonometri Anabilim Dalı,Yüksek Lisans Tezi, 2006.
19. [19] T. F. Abidin, B. Yusuf, M. Umran, “Singular Value Decomposition for Dimensionality Reduction in Unsupervised Text Learning Problems”, 2nd International Conference on Education Technology and Computer (ICETC), vol. 4, pp. 422–426, 2010.
20. [20] J. Han, J. Pei, M. Kamber, “Data mining: concepts and techniques”, 3rd Edition, Morgan Kaufmann Publishers, vol.7, no.6, 2011.