Sonraki rezervasyon tahmin problemi bir sistemdeki kullanıcıların sonraki davranışlarını rezervasyon verileri üzerinden tahmin etmeyi amaçlamaktadır. Tezde konum tabanlı öneri sistemlerindeki kullanıcı tercihlerini tahmin etmek amacıyla Saklı Markov Modelerinin'nin özel bir uzantısı olan PHMM (Profile Hidden Markov Model) ve biyoinformatik algoritmaların birlikte kullanıldığı bir yöntem sunulmaktadır. Bu çalışmada işbirlikçi filtreleme yaklaşımı temelinde bir sonraki davranışı tahmin edilmesi istenen kullanıcıya benzer profildeki diğer kullanıcıların seçilmesi için biyoinformatik hizalama algoritmalarından yararlanılmıştır. Seçilen kullanıcılar PHMM üzerinde modellenerek yöntemin test edilmesi aşamalarında Weeplaces veri kümesi kullanılmıştır. Yapılan deneysel testler sırasında modellenecek kullanıcı sayısı ve kullanıcının tercih tahmininde dikkate alınan önceki tercih sayısı parametre değişimlerinin yöntemin başarısına etkisi incelenmiştir. Elde edilen sonuçlar kullanıcı sayısı parametresinin belli bir optimal değerde en yüksek başarıyı verdiği tercih sayısı parametre değişiminin ise etkisinin oldukça zayıf olduğu görülmüştür.
The next check-in prediction problem aims to estimate the next behavior of users in a system based on reservation data. In the thesis, a method in which the Profile Hidden Markov Model, which is a special extension of the Hidden Markov Models, and bioinformatic algorithms are used together, is presented in order to predict user preferences in location-based recommendation systems. In this study, bioinformatics alignment algorithms were used to select other users with a profile similar to the user whose next behavior is desired to be predicted on the basis of a collaborative filtering approach. Selected users were modeled on PHMM and Weeplaces dataset was used in testing the method. During the experimental tests, the effect of the changes in the parameter of the user number to be modeled and the parameter of previous preferences the number taken into account in the estimation of the user on the success of the method was examined. The results show that the user number parameter gives the highest success at a certain optimal value, and the effect of the preference parameter change is quite weak.
