Erkekler İçin Arkadaşlık Siteleri Analizi

İnternette hangi tip erkekler daha çok ilgi görüyor? Arkadaşlık siteleri(sosyal network) arasında farklılıklar var mı? Hangi arkadaşlık sitesinde hangi tip erkeğe rağbet ediliyor? Bu sitelerdeki bayanlar erkeklerden ne bekliyor? Karakterlerine göre farklı arkadaşlık siteleri seçen erkeklerin şansı yükseliyor mu?

Bu soruları cevaplayabilmek için amatör olarak bir sosyal deney hazırladık. Bu deneyde İstanbul’da yaşayan 3 adet farklı erkek profili ve 5 tane arkadaşlık sitesi kullandık. Deneyden çıkan sonuç şaşırtıcıydı:

• Çoğu sosyal networkte bayanlar iyi bir meslek sahibi, iyi gelir sahibi izlenimi veren, “düzgün ve elit” olarak tabir edilen modern erkeği tercih ettiler.
• Eğlenceye ve gece hayatına düşkün, cinsel içerikli mesajlar atan üniversite öğrencisi genç attığı mesajlara beklenenden daha yüksek cevaplar alsa da bu mesajların çoğu olumsuzdu. Ancak test sonuçları olumlu/olumsuz ayrımı yapılmadan sergilendi.
• “Kro” olarak tabir edilebilecek aşırı romantik erkek ise sosyal networklerin çoğunda aldığı geri dönüş ve bu geri dönüşlerin olumluluğu bakımından diğer 2 erkek profiline yetişemedi.

Metodoloji: Her sosyal networkte Random Sampling (Rastgele Örneklem) yöntemi kullanılarak, İstanbul’da yaşayan 600 kişi belirledik ve her karakterin hesabından 200’er kişiye mesaj attık. Toplamda 3000 adet mesaj gönderildi ve geri dönüş sayıları kaydedildi. Testimizin amacı nedeniyle karakterlerin tipleri profillerine uygun seçildi. Ancak yine de, profilden bağımsız olarak karakterlerin çekicilik seviyeleri sonuçları etkilemiş olabilir.

Devamı:

Bu çalışmanın tamamına PDF olarak buradan ulaşabilirsiniz.

Mahout Review by iletken

- This is a post I copied from iletken’s blog -

Taste is an open-source recommendation library in which you can create a basic recommender
easily.

In  this post, we will  try  to describe  some  key  features of Mahout’s Taste  implementation,  and  also discuss  some problems  associated with  it. Because Taste  has  standard  textbook  algorithms, we will  not  get  into  accuracy  details.  Therefore  our  main focus will be on performance. As a recommender system provider, we are also struggling  with scalability issues and we are investigating up to what extent a Hadoop implementation can help.  Therefore, we went  ahead  and  tested Mahout’s  latest  release  in  order  to  answer  thisquestion:

Does Taste in Mahout somehow solve scalability issues in recommender systems?

Sadly,  the  answer  was  not a  Yes.  Taste  is  a  great  API  which  is  very  easy  to  develop  with,  however  even  with  the  Hadoop’s  scalability  features,  Taste  is  very  limited.  Taste’s  original implementation is not scalable and this implementation does not fit into Hadoop’s map-reduce  logic  naturally.
After  providing  a  detailed  review  of  Mahout-Taste,  we  will  be  describing  some  of  the
methodologies  and  technologies  we  rely  on  to  overcome  our  performance  and  resource
management  problems with  iletken. We  will  be  recommending  some  basic  implementation
tips.

- Download the complete review in PDF format -

Summary
Pros:

• Mahout  manages  to  scale  training  session  with  slope  one  method  and  hadoop implementation
• Mahout is Open Source

Cons:

• Does not scale as expected
• Mahout scalability is achieved by only using a slope one method.
• Standard Slope one  recommender  is not very accurate  (Netflix  test: Success  -3%  (0.98RMSE))  compared  to  other  algorithms(not  included  in  Mahout)  such  as  Matrix Factorization(Netflix test: Success: 8.4% (0.87 RMSE))
• Inefficient implementation
• High memory & resource consumption
• Only Collaborative filtering
• Only standart algorithms