İçeriğe atla

Öneri sistemi

Öneri sistemi ya da tavsiye sistemi (bazı yerlerde 'sistem' yerine 'platform' ya da 'motor' kullanılır) bir kullanıcının bir öğeye vereceği 'değerlendirme' ya da 'tercih' miktarının öngörülmesini hedefleyen bir bilgi filtreleme sistemidir.[1][2]

Önerici sistemler son yıllarda fazlaca yaygınlaşmış ve birçok farklı uygulamada kullanılmıştır. En popüler uygulamaları filmler, müzikler, haberler, kitaplar, bilimsel makaleler, arama sorguları, sosyal medya etiketleri ve genel anlamda ürünler üzerine yapılmıştır.

Genel bakış

Bir puanlama sistemi üzerinde işbirlikçi filtreleme örneği.

Önerici sistemler iki farklı yöntemden birini kullanarak bir öneriler listesi üretir – işbirlikçi filtreleme ya da içerik-bazlı filtreleme.[3] İşbirlikçi filtreleme yaklaşımları kullanıcının geçmiş davranışları (geçmişte satın alınan ya da seçilen ya da değerlendirme yapılan öğeler) ile birlikte diğer kullanıcıların yaptığı benzer kararları kullanarak bir model oluşturur. Bu model daha sonra kullanıcının ilgisini çekebilecek öğelerin öngörülmesi için kullanılır.[4] İçerik-bazlı filtreleme yaklaşımları ise öğelerin bir dizi karakteristiğinden yola çıkarak benzer karakteristiklere sahip diğer öğeleri önerir.[5] Bu iki yaklaşım sıklıkla bir arada kullanılır (bkz. Hibrit Önerici Sistemler).

İşbirlikçi ve içerik-bazlı filtreleme sistemleri arasındaki farklar iki popüler müzik önerme sisteminin karşılaştırmasıyla gösterilebilir – Last.fm ve Pandora Radyo.

  • Last.fm, kullanıcının düzenli olarak dinlediği parçaları gözlemler ve bunları diğer kullanıcıların dinleme alışkanlıklarıyla karşılaştırarak bir önerilen şarkılar radyosu oluşturur. Kullanıcının kütüphanesinde yer almayan ama benzer zevklere sahip diğer kullanıcılar tarafından sıkça dinlenen şarkılar da Last.fm tarafından çalınabilir. Kullanıcıların davranışlarını kullanması sebebiyle bu yaklaşım bir işbirlikçi filtreleme örneğidir.
  • Pandora bir şarkının ya da sanatçının özelliklerini (Music Genome Project tarafından sağlanan 400 özelliğin bir alt kümesi), benzer özelliklere sahip müziklerin çalındığı bir radyo başlatmak için kullanır. Kullanıcı geri bildirimi kullanılarak radyonun sonuçları iyileştirilir. Kullanıcının "beğenmediği" şarkıların özelliklerini zayıflatır ve "beğendiği" şarkıların özelliklerini güçlendirir. Bu bir içerik-bazlı yaklaşım örneğidir.

Bu sistem tiplerinin her birinin kendi güçlü ve zayıf yanları vardır. Yukarıdaki örnekte, Last.fm isabetli tahminler yapabilmek için bir kullanıcıdan büyük miktarda veri toplamalıdır. Bu durum soğuk başlangıç problemi olarak bilinir ve işbirlikçi filtreleme sistemlerinde sıkça rastlanır.[6] Pandora başlangıç için çok az bilgiye ihtiyaç duyar ama çok daha kısıtlı bir kapsama sahiptir (mesela, sadece başlangıç şarkısına benzer öneriler yapabilir).

Önerici sistemler, kullanıcıların kendilerinin bulamadıkları öğeleri keşfetmelerine yardımcı olarak arama algoritmalarına alternatif oluşturur. İlginç bir şekilde, öneri sistemleri yaygın olarak, alışılmamış tipte verileri indeksleyen arama motorları olarak gerçekleştirilir.

Önerici sistemler veri madenciliği ve makine öğrenmesi alanlarında etkin bir araştırma konusudur. Önerici sistem araştırmalarına ev sahipliği yapan konferanslardan bazıları RecSys, SIGIR ve KDD'dir.

Doğruluğun ötesinde

Önerici sistemler üzerindeki araştırmalar genellikle doğruluğu en yüksek önerme algoritmalarını bulmaya amaçlar. Ancak, önemli olan bir takım başka faktörler de vardır.

  • Ayrışma – Kullanıcılar birbirine daha az benzeşen öğeleri tercih edebilir, örn. farklı sanatçılardan öğeler.[7]
  • Önerme sürekliliği – Bazen yeni öğeler önermektense daha önce önerilmiş öğelerin tekrar gösterilmesi daha işlevseldir.[8][9]
  • Gizlilik – Önerici sistemler sıklıkla kullanıcıların gizlilik kaygılarını dikkate almalıdır.[10]
  • Kullanıcı demografisi – Kullanıcıların kimlikleri öneri memnuniyetlerini etkileyebilir.[11]
  • Gürbüzlük – Kullanıcı katılımı olan öneri sistemleri sahtekârlığa bağışıklı olmalıdır.[12]
  • Rastlantısallık – Rastlantısallık "önerilerin ne kadar şaşırtıcı olduğu"'dur.[13]
  • Güven – Eğer güven vermiyorsa önerici sistemin kullanıcı nezdinde bir değeri olmaz.[14] Kullanıcılara öneri yöntemlerinin nasıl çalıştığı açıklanarak güven kazanılabilir.
  • Etiketleme – Kullanıcı tatmini önerilerin nasıl etiketlendiğine göre değişiklik gösterebilir.[15]

Performans ölçütleri

Önerici algoritmaların etkililiğinin belirlenmesinde değerlendirmeler önemlidir. Yaygın olarak kullanılan metrikler mean squared error (MSE) ve root mean squared error (RMSE)'dir. Kesinlik ve duyarlık ya da DCG gibi bilgi erişim metrikleri önerici yöntemin kalitesini belirlemek için kullanışlıdır. Ancak, klasik değerlendirme ölçütlerinin çoğu fazlaca eleştirilmektedir.[16] Sıklıkla, çevrimdışı olarak adlandırılan bu değerlendirme yöntemlerinin sonuçları kullanıcı tatmini ile örtüşmez.[17]

Zorluklar

Öneri sistemlerinin geliştirilmesinde karşılaşılan çeşitli zorluklar:[18]

  • Soğuk başlangıç sorunu: Sisteme yeni bir kullanıcı veya öğe eklendiğinde, sistemde bu kullanıcı veya öğe ile ilgili kayıtlı bilgi olmadığından öneriler hesaplanamaz. Bu sorun soğuk başlangıç sorunu olarak adlandırılır ve özellikle işbirlikçi filtreleme yönteminde ortaya çıkan bir sorundur. Bu sorunun üstesinden gelmek için sistem herhangi bir şekilde yeni eklenen kullanıcı veya öğe hakkında bilgi edinmeye çalışır ya da içerik bazlı filtreleme yönteminden faydalanılır.
  • Seyrek veri sorunu: Öneri sistemleri çoğuklukla temelde matris işlemlerine dayanmaktadır. Sistemdeki kullanıcı ya da öğe sayısı az olduğunda veya sistemde yeterince kullanıcı verisi olmadığında matristeki veriler çok seyrek olur. Bu da seyrek matris işlemleri yapmayı gerektirir. Özellikle milyonlarca öğe ve kullanıcı barındıran sistemlerde seyrek veri sorunu daha da belirginleşir.
  • Anındalık sorunu: Bazı öneri sistemleri dinamik veri ile çalışmaktadır. Örneğin haber öneri sistemlerinde, sistem her yeni haber geldiğinde güncellenmeli, kullanıcılara eski haberler sunulmaktan kaçınılmalıdır. Anındalık sorunu hem performans, hem de öneri kalitesi açıcından zorluk yaratmaktadır.
  • Kullanıcı beğeni ve ilgi alanlarının değişmesi sorunu: Kullanıcıların beğenileri ve ilgi alanları zamanla değişebilmektedir. Özellikle uzun vadeli kullanıcılar göz önüne alındığında sistemin bu kişisel değişikliklere uyum sağlaması gerekmektedir.
  • Ölçeklenebilirlik: Tüm çevrimiçi servisler gibi öneri sistemleri de kalabalık kitleleri hedef almaktadır. Öneri sisteminin çalıştığı alana göre (müzik, film, haber vs.) anındalık sorunu ile birleştiğinde ölçeklenebilirlik üstesinden gelinmesi önemli bir sorun haline gelmektedir.
  • Düzensiz içerik: Özellikle metin tabanlı öğelerin tavsiye edilmesinde makine tarafından okunabilir ve yapısal olan içeriğin önemi büyüktür. Düzensiz ve yapısız olan içeriklerde (örneğin film özeti, haber metni vs) içeriğin sistem tarafından analiz edilip, içeriğin anlaşılması zorluk yaratmaktadır.
  • Gri koyun sorunu: Bu sorun özellikle işbirlikçi filtreleme yönteminde ortaya çıkmaktadır. İşbirlikçi filtreleme kullanıcılar arasındaki benzerlikleri bularak benzer kullanıcılara benzer öğeler önerir. Ancak bazı kullanıcılar özeldir ve diğer kullanıcılarla tutarlı ortak beğenilere sahip değildir. Bu gibi durumlarda sadece işbirlikçi filtreleme kullanmak dezavantajlıdır.
  • Rastlantısallık (aşırı uzmanlık) sorunu: Öneri sistemleri zaman içerisinde aşırı uzmanlaşabilir ve sürekli geçmişte önerilen öğelerle çok benzer öğeleri önermeye başlar. Sistem aynı öğelerden kaçınmalı ve yeni öneriler keşfedebilmelidir.
  • Kullanıcı gizliliği sorunu: Öneri sistemleri kullanıcıların beğeni ve ilgi alanlarının sistem tarafından öğrenilmesi üzerine kurulmuştur. Ancak bu durum kullanıcılar hakkında hassas bilgilerin sistemde saklanması ve analiz edilmesi anlamına gelmektedir. Bu ise, hem kullanıcı gizliliği konusunda sorunlara yol açabilmekte hem de kullanıcıların öneri sistemlerine güveni konusunda soru işaretlerine sebep olabilmektedir. 2018 yılında Avrupa genelinde yürürlüğe giren kişisel verilerin korunması yönetmeliği (GDPR) sonrası, kişisel verilere dayanmayan öneri sistemlerinin geliştirilmesi konusunda çalışmalar başlatılmıştır.
  • Komşu geçişkenliği sorunu: Önerilerin hesaplanmasında kullanılan matrisin seyrek olmasına (bkz. seyrek veri sorunu) ek olarak, var olan verinin birbirinden farklı öğelere yoğunlaşması sonucu oluşan bir sorundur. Bu durumda benzer tercih ve beğenilere sahip olan kullanıcılar, farklı öğeler hakkında verilere sahip oldukları için aralarındaki benzerliğin sistem tarafından bulunabilmesi mümkün değildir.
  • Eşanlamlılık sorunu: Özellikle metin tabanlı öneri sistemlerinde (içeriğin anlaşılması için metin analizi yapılması gereken sistemlerde) eşanlamlı kelimeler zorluk çıkarmaktadır.

Ayrıca bakınız

Kaynakça

  1. ^ Francesco Ricci and Lior Rokach and Bracha Shapira, Introduction to Recommender Systems Handbook 2 Haziran 2016 tarihinde Wayback Machine sitesinde arşivlendi., Recommender Systems Handbook, Springer, 2011, pp. 1-35
  2. ^ "Facebook, Pandora Lead Rise of Recommendation Engines - TIME". TIME.com. 27 Mayıs 2010. 17 Ağustos 2013 tarihinde kaynağından arşivlendi. Erişim tarihi: 1 Haziran 2015. 
  3. ^ Hosein Jafarkarimi; A.T.H. Sim and R. Saadatdoost A Naïve Recommendation Model for Large Databases 27 Nisan 2016 tarihinde Wayback Machine sitesinde arşivlendi., International Journal of Information and Education Technology, June 2012
  4. ^ Prem Melville and Vikas Sindhwani, Recommender Systems 3 Mart 2016 tarihinde Wayback Machine sitesinde arşivlendi., Encyclopedia of Machine Learning, 2010.
  5. ^ R. J. Mooney and L. Roy (1999). Content-based book recommendation using learning for text categorization. In Workshop Recom. Sys.: Algo. and Evaluation. 
  6. ^ Andrew I. Schein, Alexandrin Popescul, Lyle H. Ungar, David M. Pennock (2002). Methods and Metrics for Cold-Start Recommendations. Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2002). New York, New York: ACM. ss. 253-260. ISBN 1-58113-561-0. 7 Şubat 2008 tarihinde kaynağından arşivlendi. Erişim tarihi: 2 Şubat 2008. 
  7. ^ Ziegler, C.N., McNee, S.M., Konstan, J.A. and Lausen, G. (2005). "Improving recommendation lists through topic diversification". Proceedings of the 14th international conference on World Wide Web. ss. 22-32. 
  8. ^ Joeran Beel, Stefan Langer, Marcel Genzmehr, Andreas Nürnberger (Eylül 2013). "Persistence in Recommender Systems: Giving the Same Recommendations to the Same Users Multiple Times". Trond Aalberg and Milena Dobreva and Christos Papatheodorou and Giannis Tsakonas and Charles Farrugia (Ed.). Proceedings of the 17th International Conference on Theory and Practice of Digital Libraries (TPDL 2013) (PDF). Lecture Notes of Computer Science (LNCS). 8092. Springer. ss. 390-394. 20 Ekim 2013 tarihinde kaynağından arşivlendi (PDF). Erişim tarihi: 1 Kasım 2013. 
  9. ^ Cosley, D., Lam, S.K., Albert, I., Konstan, J.A., Riedl, {J}. (2003). "Is seeing believing?: how recommender system interfaces affect users' opinions". Proceedings of the SIGCHI conference on Human factors in computing systems. ss. 585-592. 
  10. ^ {P}u, {P}., {C}hen, {L}., {H}u, {R}. (2012). "Evaluating recommender systems from the user's perspective: survey of the state of the art". User Modeling and User-Adapted Interaction. Springer. ss. 1-39. 
  11. ^ Joeran Beel, Stefan Langer, Andreas Nürnberger, Marcel Genzmehr (Eylül 2013). "The Impact of Demographics (Age and Gender) and Other User Characteristics on Evaluating Recommender Systems". Trond Aalberg and Milena Dobreva and Christos Papatheodorou and Giannis Tsakonas and Charles Farrugia (Ed.). Proceedings of the 17th International Conference on Theory and Practice of Digital Libraries (TPDL 2013) (PDF). Springer. ss. 400-404. 20 Ekim 2013 tarihinde kaynağından arşivlendi (PDF). Erişim tarihi: 1 Kasım 2013. 
  12. ^ {K}onstan, {J}.{A}., {R}iedl, {J}. (2012). "Recommender systems: from algorithms to user experience". User Modeling and User-Adapted Interaction. Springer. ss. 1-23. 
  13. ^ {R}icci, {F}., {R}okach, {L}., {S}hapira, {B}., {K}antor {B}. {P}. (2011). "Recommender systems handbook". Recommender Systems Handbook. Springer. ss. 1-35. 
  14. ^ Montaner, Miquel, L{\'o}pez, Beatriz, de la Rosa, Josep Llu{\'\i}s (2002). "Developing trust in recommender agents". Proceedings of the first international joint conference on Autonomous agents and multiagent systems: part 1. ss. 304-305. 
  15. ^ Beel, Joeran, Langer, Stefan, Genzmehr, Marcel (Eylül 2013). "Sponsored vs. Organic (Research Paper) Recommendations and the Impact of Labeling". Trond Aalberg and Milena Dobreva and Christos Papatheodorou and Giannis Tsakonas and Charles Farrugia (Ed.). Proceedings of the 17th International Conference on Theory and Practice of Digital Libraries (TPDL 2013) (PDF). ss. 395-399. 20 Ekim 2013 tarihinde kaynağından arşivlendi (PDF). Erişim tarihi: 2 Aralık 2013. 
  16. ^ Turpin, Andrew H, Hersh, William (2001). "Why batch and user evaluations do not give the same results". Proceedings of the 24th annual international ACM SIGIR conference on Research and development in information retrieval. ss. 225-231. 
  17. ^ Beel, Joeran; Genzmehr, Marcel; Langer, Stefan; Nürnberger, Andreas; Gipp, Bela (1 Ocak 2013). "A Comparative Analysis of Offline and Online Evaluations and Discussion of Research Paper Recommender System Evaluation". Proceedings of the International Workshop on Reproducibility and Replication in Recommender Systems Evaluation. RepSys '13. New York, NY, USA: ACM. ss. 7-14. doi:10.1145/2532508.2532511. ISBN 9781450324656. 
  18. ^ [1] 6 Mart 2019 tarihinde Wayback Machine sitesinde arşivlendi. Ontolojiler ve anlamsal çıkarsama kullanılarak bir öneri sistemi tasarlanması, Özlem Özgöbek, Doktora tezi, 2015

İlgili Araştırma Makaleleri

Dizge ya da sistem, birbiriyle etkileşen veya ilişkili olan, bir bütün oluşturan cisim veya varlıkların bileşkesidir. Bu varlıklar soyut veya somut olabilirler.

Last.fm, 2002 yılında Londra'da kurulan bir internet radyosu ve kardeş proje Audioscrobbler ile Ağustos 2005'te birleşmiş bir müzik önerme sistemidir. 30 Mayıs 2007'de 280 milyon dolar karşılığında CBS Interactive tarafından satın alınmış, böylece Avrupa'nın en büyük Web 2.0 satın alması olarak kayıtlara geçmiştir.

Berkeley r-komutları, bir Unix sisteminin kullanıcılarının TCP/IP bilgisayar ağı üzerinden başka bir Unix bilgisayarında oturum açmasını veya komutlar vermesini sağlamak için tasarlanmış bir bilgisayar programları paketidir. Berkeley r-komutları, 1982'de Berkeley'deki Kaliforniya Üniversitesi'ndeki Computer Systems Research Group (CSRG) tarafından, TCP/IP'nin erken uygulanmasına dayanarak geliştirildi.

<span class="mw-page-title-main">Bağışıklık sistemi</span> canlılarda hastalıklara karşı koruma sağlayan biyolojik savunma sistemi bütünü

Bağışıklık sistemi, bir canlıdaki hastalıklara karşı koruma yapan, patojenleri ve tümör hücrelerini tanıyıp onları yok eden işleyişlerin toplamıdır. Sistem, canlı vücudunda geniş bir çeşitlilikte, virüslerden parazitik solucanlara, vücuda giren veya vücutla temasta bulunan her yabancı maddeye kadar tarama yapar ve onları, canlının sağlıklı vücut hücrelerinden ve dokularından ayırt eder. Bağışıklık sistemi, çok benzer özellikteki maddeleri bile birbirinden ayırabilir, örneğin; bir amino asidi farklı olan proteinleri bile birbirinden ayırabilecek özelliğe sahiptir. Bu ayrım, patojenlerin konak canlıdaki savunma sistemine rağmen enfeksiyon yapmaları için yeni yollar bulmalarına, bazı uyumlar sağlamalarına neden olacak kadar karmaşıktır. Bu mücadelede hayatta kalmak için patojenleri tanıyan ve onları etkisizleştiren bazı mekanizmalar gelişmiştir. Doğadaki tüm canlılar kendilerinden olmayan doku, hücre ve moleküllere karşı savunma sistemlerine sahiptirler. Hatta bakteriler gibi basit tek hücreli canlılarda da onları viral enfeksiyonlara karşı koruyan enzim sistemleri bulunur. Yüksek canlılardaysa çok daha karmaşık bir bağışıklık sistemi vardır. Omurgalılarda bağışıklık sistemi özel işlevlere sahip çok sayıda farklı hücre ve molekül içermektedir.

İçerik Yönetim Sistemi dijital içerik üretilmesini ve düzenlenmesini yönetmeye yarayan yazılım. Bir İYS, genellikle doküman yönetimi, değer yönetimi ve kayıt tutma sistemlerinin birden fazla katılımcı tarafından işbirliği içinde kullanılmasını sağlar.

<span class="mw-page-title-main">Küresel yıldız kümesi</span> galaksi merkezi etrafında dolanan yıldızların, küresel bir bileşimi

Küresel yıldız kümesi, galaksi merkezi etrafında uydu gibi dolanan, yıldızların küresel bir bileşimidir. Küresel yıldız kümeleri yerçekimi ile bir arada durabilirler. Yerçekimi sayesinde küresel bir şekle ve göreceli olarak merkeze doğru artan bir madde yoğunluğuna sahiplerdir. Yıldız kümesinin bir alt kategorisi olan küresel yıldız kümesi, Latince bir sözcük olan ve küçük küre anlamına gelen globulus kelimesinden türetilmiştir.

Arka dikkat sistemi ya da dorsal dikkat sistemi insan beyninde bulunan iki algısal sistemden biridir. Diğer algısal sistem ön ya da ventral dikkat sistemidir. İstemli yönlendirme ile ilgilidir ve dikkatin nereye, ne zaman ya da ne üzerine yoğunlaşması gerektiğine dair ipuçları verildiğinde aktivite artışı gözlemlenir. Arka dikkat sistemi iki yandadır ve intraparietal sulcus ile her iki beyin yarıküresinde presantral ve superior sulcus bağlantısını içerir.

<span class="mw-page-title-main">Simbiyotik değişen yıldız</span>

Simbiyotik değişen yıldız veya Z And değişenleri, etkileşen çift yıldız sistemleridir. Bu grubun belirleyici karakteristik özelliği, düzensiz fotometrik değişimlerin yanı sıra, tayflarının aynı zamanda soğuk bir devin tayf özellikleri ile yüksek sıcaklıktaki plazmanın tayf özelliklerini göstermeleridir. Sınırlı dalga boyu bölgelerinde yapılan çalışmalar sık sık Simbiyotik yıldızları yanlış sınıflandırılmasına neden olmuştur.

<span class="mw-page-title-main">Açık kümeler dizini</span> Vikimedya liste maddesi

Bu dizin, Güneş Sistemi'nden uzaklığına göre sıralanmış olan açık yıldız kümelerinin bir listesidir. Açık küme, aynı dev moleküler bulut içinde oluşan ve yerçekimsel olarak birbirlerine bağlı olan birkaç bin yıldızın oluşturduğu bir gruptur. Samanyolu gökadasında 1,000'den fazla açık küme bilinmektedir ancak gerçekte bu rakam on katına kadar çıkabilir.

<span class="mw-page-title-main">Saldırı tespit sistemleri</span>

Saldırı Tespit Sistemleri (STS) (İngilizce: Intrusion Detection Systems (IDS)), ağlara veya sistemlere karşı yapılan kötü niyetli aktiviteleri ya da politika ihlallerini izlemeye yarayan cihaz ya da yazılımlardır. Tespit edilen herhangi bir aktivite veya ihlal, ya bir yöneticiye bildirilir ya da bir güvenlik bilgi ve olay yönetimi (SIEM) sistemi kullanılarak merkezi olarak toplanır. SIEM sistemi, çeşitli kaynaklardan gelen çıktıları birleştirir ve kötü niyetli alarmı yanlış alarmlardan ayırmak için alarm filtreleme teknikleri kullanır.

Kolektif güvenlik; sistemdeki devletlerden birinin güvenliğinin, tümünün sorunu olduğu ve barışa yönelik tehditlere kolektif yanıt verilen bölgesel veya küresel güvenlik düzenlemesi.

Oyunlaştırma (gamification), oyun felsefesinin oyunsal düşünmenin ve oyun mekaniklerinin oyun-dışı alanlarda, motivasyonu artırmak ve kullanıcıları problem çözmeye teşvik etmek için kullanılmasıdır. Oyunlaştırma için yapılan en kapsamlı ve en çok kabul gören tanım ise oyun tasarım unsurlarının oyun bağlamı dışındaki durumlarda kullanılması şeklindedir. Oyunlaştırma birçok farklı alanda incelenmiş ve uygulanmıştır. Bu alanlardan bazıları müşteri sadakati, eğitim, fiziksel egzersiz, dönüşüm oranı, veri kalitesi, doğru zamanlama, medya ve öğrenimdir. Oyunlaştırma üzerine yapılan araştırmalar hakkındaki bir inceleme oyunlaştırma çalışmalarının büyük çoğunluğunun olumlu sonuçlar sağladığını göstermektedir.

<span class="mw-page-title-main">İşbirlikçi filtreleme</span> Algoritma

İşbirlikçi filtreleme (CF) bazı önerici sistemler tarafından kullanılan bir tekniktir. İşbirlikçi filtreleme özel ve genel olmak üzere iki anlama sahiptir. Genel olarak işbirlikçi öğrenme, bilginin ve örüntülerin çoklu-etmen, çoklu bakışaçısı veya çoklu veri kaynağı içeren teknikler kullanılarak filtrelenmesidir. İşbirlikçi filtreleme uygulamaları yaygın olarak çok büyük veri setleri üzerinde yapılır. İşbirlikçi filtreleme yöntemleri maden gözlem verileri, finansal veriler, web ve e-ticaret uygulamalarında kullanıcı verileri gibi birçok farklı veri tipi üzerinde uygulanmıştır. Bu yazının geri kalanında işbirlikçi filtrelemenin kullanıcı verileri üzerinde kullanılması üzerine odaklanılmıştır, ancak yöntem ve yaklaşımların bazıları diğer önemli uygulamalarda da kullanılabilir.

Bir sistem mimarisi veya çoklu sistemlerin mimarisi; sistemin yapısını, davranışını ve biçimselliğini tanımlayan kavramsal modeldir. Bir mimari tanımı; sistemin yapıları ve davranışları hakkında mantıksallığı destekleyecek şekilde organize edilen ilişkiselliğin standart bir açıklaması veya temsilidir.

Kimlik Yönetimi, Kimlik ve Erişim Yönetimi olarak da bilinir, bilgisayar güvenliğinde, “doğru kişilerin, doğru zamanda, doğru amaçlarla, doğru kaynaklara erişimini sağlayan” güvenlik ve işletme disiplinidir. Giderek daha da çok unsurlu hale gelen teknoloji ortamında uygun kaynaklara erişim ihtiyacını ve yine gittikçe titiz hale gelen uyumluluk gerekliliklerini hedefler.

İndirgeme saldırısı veya sürüm geri alma saldırısı, bir bilgisayar sistemine veya iletişim protokolüne yapılan yüksek kaliteli çalışma modunu terk etmesini sağlayarak genellikle eski sistemlerle geriye dönük uyumluluk için sağlanan daha eski, daha düşük kaliteli bir çalışma moduna geçiş yapılmasıyla gerçekleşen bir kriptografik saldırı türüdür. OpenSSL'de, saldırganın istemci ve sunucu arasında TLS'nin daha düşük bir sürümünün kullanılmasını müzakere etmesine izin veren böyle bir kusur örneği bulundu. Bu, en yaygın sürüm indirgeme saldırı türlerinden biridir. Başka bir örnek ise, web trafiğini sırasında araya girmek ve kullanıcıyı bir web sitesinin güvenli, HTTPS sürümünden şifrelenmemiş bir HTTP sürümüne yönlendirmektir.

Siber-fiziksel sistemler (SFS), fiziksel bir mekanizmanın bilgisayar tabanlı algoritmalar tarafından kontrol edildiği veya izlendiği sistemlerdir. Siber-fiziksel sistemlerde, fiziksel ve yazılım bileşenleri derinlemesine iç içe geçmiştir, farklı mekansal ve zamansal ölçeklerde çalışabilir, çoklu ve farklı davranışsal modaliteler sergileyebilir ve bağlamla değişen şekillerde birbirleriyle etkileşime girebilir. SFS örnekleri arasında akıllı şebeke, otonom otomobil sistemleri, tıbbi izleme, endüstriyel kontrol sistemleri, robotik sistemler ve otomatik pilot aviyonik projeleri sayılabilir.

<span class="mw-page-title-main">Carnivore (yazılım)</span>

DCS1000 olarak yeniden adlandırılan Carnivore, e-posta ve elektronik iletişimleri izlemek için tasarlanmış Federal Soruşturma Bürosu (FBI) tarafından uygulanan bir sistemdir. Hedef kullanıcının tüm İnternet trafiğini izleyebilen özelleştirilebilir bir paket dinleyicisi kullanmıştır. Carnivore, Ekim 1997'de uygulamaya konmuştur. 2005 yılına kadar yerini geliştirilmiş ticari yazılımlara bırakmıştır.

<span class="mw-page-title-main">JabRef</span> kaynak yönetim yazılımı

JabRef, açık kaynak, platformlar arası bir alıntı ve referans yönetim yazılımıdır. Bibliyografik bilgileri toplamak, düzenlemek ve aramak için kullanılır.

Bilgi filtreleme sistemleri, modern çağın bilgi patlaması karşısında vazgeçilmez araçlar haline gelmiştir. İnsanların günlük olarak maruz kaldığı büyük miktardaki bilgi akışını etkin bir şekilde yönetmek, anlamlı içeriği belirlemek ve gereksiz bilgileri elemek için bu sistemlere ihtiyaç duyulmaktadır. Bu sistemler, kullanıcıların zamanlarını daha verimli kullanmalarına yardımcı olurken, aynı zamanda bilgiye erişimi kolaylaştırır.


Bu sayfa, bu Vikipedi makalesine dayanmaktadır.
Metin, CC BY-SA 4.0 lisansı altında mevcuttur; ek koşullar uygulanabilir.
Görseller, videolar ve sesler kendi lisansları altında mevcuttur.