Big data is a phenomenon that takes central stage in industry and academia arising
from the advent of online services and mobile applications. Improving the efficiency
of data processing and analysis has become a challenging issue. While a number of
methods from different communities have been proposed for solving the “Big Data”
problems, we worked with multi-event Intelligent Systems that offer efficient
mechanisms, which significantly reduce the costs of processing large volume of data
and improve data processing quality. Social networks could benefit from recommender
systems in order to optimize the queries and ads they display for each special user.
Among different approaches to analyze user data and making recommendations, we
employed Collaborative Filtering with Cosine Similarity criterion for item-based
similarity recognitions. In the implemented method, a Holonic multi-event system
(HMES) is designed to process a portion of Amazon database in a distributed manner.
The use of Hadoop and map-reduce technology is aimed to make more accurate and
faster predictions and recommendations. Different evaluation standards such as
Perfect Hit (PHIT), and Mean Percentage Rank (MPR) are used to examine and
compare the proposed method with other conventional methods. The results obtained
in this thesis are satisfactory compared to the results of the evaluation given in the
literature.
Keywords: recommender system, hadoop, multi event, artificial intelligence, big data,
holonic
ÖZ:
Büyük veri, çevrimiçi hizmetlerin ve mobil uygulamaların ortaya çıkmasından
kaynaklanan endüstri ve akademi merkezini alan bir olgudur. Veri işleme ve analiz
verimliliğinin artırılması zorlu bir konu haline gelmiştir. “Büyük Veri” sorunlarının
çözümü için farklı topluluklardan bir takım yöntemler önerilmişken, çok sayıda
verinin akıllıca işlenmesi ve veri işleme kalitesini iyileştirme maliyetlerini önemli
ölçüde azaltan etkili mekanizmalar sunan Çok-olaylı Akıllı Sistemler ile çalıştık.
Sosyal ağlar, her bir özel kullanıcı için görüntüledikleri sorguları ve reklamları
optimize etmek amacıyla öneri sistemlerinden yararlanabilir. Kullanıcı verilerini
analiz etmek ve önerilerde bulunmak için farklı yaklaşımlardan ötürü, maddeye dayalı
benzerlik tanımları için İşbirlikçi Filtrelemeyi Kosine Benzerlik kriteri ile birlikte
kullandık. Önerilen yöntemde, bir Holonik Çok-olaylı sistem (HMES), Amazon
veritabanının bir kısmını dağıtılmış bir şekilde tasarlamaktadır. Hadoop ve harita
azaltma teknolojisinin kullanılması daha doğru, daha hızlı tahminler ve önerilerde
bulunmayı amaçlamaktadır. Önerilen metodu diğer geleneksel yöntemlerle incelemek
ve karşılaştırmak için, Mükemmel Vuruş (PHIT) ve Ortalama Yüzde Oranı (MPR)
gibi farklı değerlendirme kriterleri kullanılmaktadır. Literatürde verilen değerlendirme
sonuçlarıyla karşılaştırıldığında bu tezde elde edilen sonuçlar memnuniyet vericidir.
Anahtar Kelimeler: Öneri Sistemi, Hadoop, Çok Olaylı, Yapay Zeka, Büyük Veri,
Holonik
