Search

Suuri sisältövalikoima eri internet palveluissa, kuten verkkokaupoissa, voi aiheuttaa liian suurta informaatiomäärää, mikä heikentää asiakaskokemusta. Suosittelujärjestelmät ovat teknologioita, jotka tukevat asiakkaan päätöksentekoa tarjoamalla ennustettuja suosituksia. On yleistä, että asiakkaalle näytetään lista tuotteista, joista asiakas voisi pitää, esimerkiksi top-10 lista elokuvista. Perinteisesti nämä listat ovat tuotettu käyttäen perinteistä arvosanapohjaista menetelmää, missä tuntemattomille tuotteille ennustetaan arvosana ja järjestetty lista muodostetaan arvosanojen perusteella. Sijoitusperusteinen lähestyminen laskee käyttäjien väliset samankaltaisuudet ja ennustaa järjestetyn listan ilman välivaihetta liittyen arvosanojen laskemiseen. Erilaisia suosittelujärjestelmäalgoritmeja on julkaistu lukuisia eri käyttötarkoituksia varten. Yhteisöllisen suodatuksen kontekstissa sijoitusperusteiset menetelmät ovat yleistyneet järjestettyjen listojen tarkkuuden merkityksen kasvaessa. On olemassa useita hybridivariaatioita missä kaksi tai useampi eri suosittelujärjestelmätyyppi on yhdistetty. Näiden suorituskykyä ei voida verrata tässä tutkielmassa käytettyihin algoritmeihin johtuen niiden erilaisesta toteutustavasta. Tämä tutkielma vertaa kolmea erilaista sijoitusperusteista yhteisöllistä suosittelujärjestelmäalgoritmia keskenään, ja vertailee tuloksia perinteisen arvosanaperusteisen algoritmin kanssa. Tulokset osoittavat parannuksen ennustustarkkuudessa sijoitusperusteista algoritmia käytettäessä, verrattuna arvosanaperusteiseen algoritmiin. Lisäksi, tulokset osoittavat sijoitusperusteisten algoritmien kehityksen parannuksen viime vuosina. Pois lukien tieteelliset julkaisut, missä valitut algoritmit ovat esitelty, en löytänyt tutkielmaa, missä algoritmeja olisi vertailtu keskenään. Tarkastelin tuloksia käyttäen kahta eri arviointimenetelmää, joista Mean Average Precision on vähemmän käytetty tämänkaltaisissa tutkimuksissa. The vast amount of content on internet services, such as e-commerce sites, can cause information overflow, which leads to a bad user experience. Recommender system is technique to support the user’s decision-making by providing predicted suggestions. It is common that user is provided a list of items in user’s preference, e.g. top-10 list of movies. Traditionally, these ranked lists are generated by using rating-based approaches, where ratings are predicted to unknown items which are then calculated to ranked list. Ranking-based approach calculates similarities between users and predicts a ranked list without the middle-step of predicting the ratings first. There is a number of different collaborative filtering (CF) algorithms for different use cases. In a context of CF, ranking-based approaches are becoming more popular as the importance of ranked list accuracy has increased. However, there are several hybrid implementations where two or more different kind of recommender systems are combined, which performance cannot be compared to the algorithms in this thesis due to implementation differences. This thesis will compare three different ranking-based CF algorithms to each other and compare the results with the rating-based CF paradigm. The results will show the prediction accuracy improvement when using ranking-based approaches compared to a rating-based one. In addition, results will also show how much the performance have been improved in ranking-based CF algorithms in the past years. Excluding the research papers where the selected algorithms were introduced, I did not find any research publications where the selected algorithms were compared to each other. I evaluated the results using two different evaluation methods, of which Mean Average Precision is less common in this field of study.

Tämä tutkielma keskittyy suosittelujärjestelmien yleiseen toimintaperiaattee-seen ja niiden tarjoamiin hyötyihin. Suosittelujärjestelmien toiminta täyttää Big datalle ominaiset piirteet, mistä syystä asiaa lähestytään Big datan analysointi-na. Tarkoituksena on antaa lukijalle yleiskuva suosittelujärjestelmistä, niiden toimintaperiaatteesta ja käyttötarkoituksesta. Tutkielmassa käsitellään suositte-lujärjestelmistä yhteisöllistä, yhteistoimintapohjaista, demografista ja tietä-myspohjaista suodatusta sekä hybridejä variaatioita. Lisäksi kerrotaan suositte-lujärjestelmien tarjoamista hyödyistä nimenomaan palveluntarjoajan näkökul-masta. Tutkielma on toteutettu kirjallisuuskatsauksena. Lähdeaineisto koostuu pääosin tieteellisistä artikkeleista ja muutamasta aiheeseen liittyvästä kirjasta, jotka on julkaistu pääosin 2000-luvulla. Yleisesti tiedossa olevissa asioissa on viitattu kaupallisiin lähteisiin ja blogikirjoituksiin. Lähdeaineistoa valitessa yhtenä prioriteettina oli julkaisuajankohta, sillä suosittelujärjestelmät ovat melko uusi ja nopeasti kehittyvä ala. Tämän tutkielman luettuaan lukijalla on yleiskäsitys suosituimpien suo-datustekniikoiden toimintaperiaatteesta. Suosittelujärjestelmien tarjoamat hyödyt ja huomionarvoiset asiat suosittelujärjestelmien käyttöönotossa tulevat myös esille. Verkkokaupalle ominainen pitkä häntä-ilmiö käsitellään omana lukunaan. This research paper’s main focus is on general function of recommender sys-tems and what benefits they will give. Recommender systems function fulfills the principles of big data and therefore this area is approached as a big data context. The idea is to provide general view about recommender systems, how they function and for what purpose they are designed. This paper focuses on collaborative filtering, content-based filtering, demographic filtering, knowledge-based filtering and hybrid variations. In addition to that, possible commercial benefits are discussed in a service provider point-of-view. This research is made as a literature review. References consists of scien-tific articles and a few area related books, most of these published in 2000-era. Commercial sources and blogs have been used in a few relatively commonly known issues. One of the priorities in selecting references was publishing date because recommender systems is fast-developing area of interest. After reading this research paper reader should have general understand-ing about most common recommendation filtering techniques. Commercial benefits and what to take in consideration when applying recommender system in use are also pointed out. The long tail, phenomenon occurring in e-commerce, is also addressed as its own chapter.

Background Reported rates of Chlamydia trachomatis are on the rise contradicting the declining rates of C. trachomatis associated reproductive sequelae in Western countries. Population based evaluation of the real trend of C. trachomatis infection is important to contemplate prevention efforts. We studied C. trachomatis occurrence during the past 20 years in Finland comparing incidence rate data based on serology and reported C. trachomatis laboratory notifications. Methods A random sample of 7999 women with two consecutive pregnancies within five years was selected from the population of the Finnish Maternity Cohort (FMC) serum bank stratified by calendar year and age. C. trachomatis IgG antibodies were determined by a standard peptide-ELISA. The reported incidence rates of C. trachomatis infections based on case notifications were obtained from the National Registry of Infectious Diseases (NIDR). Results C. trachomatis seroprevalence rates decreased significantly from 1983 to 2003 both in women under 23 years of age (23.3% to 9.2%) and in women between 23–28-years of age (22.2% to 12.6%). However, seroconversion rates increased from 31 per 10000 person years in 1983–85 to 97 per 10000 person years in 2001–2003 (incidence rate ratio 3.2, 95% CI, 1.1–8.7) among the older age group. Seroconversion rate was highest (264) in 1983–1985 in the younger age-group, then declined and subsequently increased again (188) in 2001–2003. The incidence based on seroconversions was in agreement with the reported incidence rates in both age groups. Conclusion C. trachomatis seroprevalence rate decreased during 1983–2003 among fertile-aged women in Finland. During the same time period incidence rates based both on seroconversions and reported laboratory notifications of diagnosed C. trachomatis infections increased. The discrepancy between the C. trachomatis incidence and seroprevalence trends warrants further studies. BioMed Central Open access