Recommender systems (RS) have been getting serious attention in solving information overload problems by suggesting to users, items that are potentially of interest to them. Recommendation systems usually produce a number of suggestions in one of the given techniques. The RS divided into three types: Content-based filtering, Collaborative Filtering and Hybrid recommender system. Collaborative Filtering (CF) is the most popular recommendation technique and widely adopted in many commercial domains. However, CF does not consider any additional information, making it difficult to solve the cold-start and data sparsity problems. As found in most knowledge, likewise, Recommender system has some problems such as cold-start, data sparsity and scalability and so on; many researches are done to solve these problems and to increase the accuracy of the prediction. This study will produce comparison of different algorithms in RS, which are KNN, SVD and Naïve Bayesian to check the best performance of them. Two different sizes of dataset is applied (80% with 20%) and (60% with 40%) each size includes training and testing. Moreover, the performance is computed by three metrics (MAE, RMSE and time). The results revealed that Naïve Bayesian has highest accuracy in both metrics MAE and RMSE for both sizes of the datasets for; whereas in term of time the result was vary, depending on size of the dataset with the technique of the algorithm.

Tavsiye Sistemleri (TS) kullanıcılara potansiyel olarak ilgilerini çekebilecek seçenekleri önererek bilgi aşırı bilgi yüklenmesi ile ilgili problemlerin çözümü konusunda büyük bir ilgi görmektedir. Tavsiye sistemleri genellikle belirli tekniklerden birinde belli sayıda öneri üretir. Tavsiye Sistemleri üç türe ayrılır: İçerik Temelli Filtreleme, İşbirliğine Dayalı Filtreleme ve Hibrit Tavsiye Sistemi. İşbirliğine Dayalı Filtreleme (İDF) en yaygın kullanılan tavsiye tekniğidir ve birçok ticarî alana yaygın bir biçimde uyarlanmıştır. Bununla birlikte, İDF herhangi bir ek bilgiyi değerlendirmez ve bu yüzden soğuk başlatma ve veri seyrekliği problemlerinin çözümünü zorlaştırır. Çoğu bilgi için de söz konusu olduğu şekilde, Tavsiye Sistemi'nin de soğuk başlatma, veri seyrekliği ve ölçeklenebilirlik gibi bazı sorunları vardır. Bu sorunların çözülmesi ve tahmin doğruluğunun arttırılması için birçok araştırma yapılmaktadır. Bu araştırma, Tavsiye Sistemleri'ndeki farklı algoritmalar olan KEYK (k-En Yakın Komşuluk), TDA (Tekil Değer Ayrışması) ve Naïve Bayes arasında karşılaştırmalar üreterek bunların en iyi performanslarının kontrol edilmesini sağlayacaktır. İki farklı veri seti boyutu (% 80 ve % 20 ile % 60 ve % 40) uygulanmıştır ve her bir boyut eğitim ve test içeriğine sahiptir. Dahası, performans da üç ölçü (OMH (Ortalama Mutlak Hata), KOKH (Kök Ortalama Kare Hatası) ve zaman) ile hesaplanmıştır. Elde edilen sonuçlar, her iki veri seti için de gerek OMH gerekse KOKH'nda en yüksek doğruluk derecesinin Naïve Bayes ile sağlandığını, zaman açısından ise sonuçların veri setinin boyutuna ve algoritma tekniğine bağlı olarak farklılık gösterdiğini ortaya koymuştur.