Öneri Sistemleri: İşbirlikçi Filtreleme, İçerik Tabanlı Yaklaşım ve Soğuk Başlangıç
Öneri sistemleri iki temel fikre dayanır: benzer kullanıcılar ve benzer içerikler. İşbirlikçi filtreleme, içerik tabanlı yaklaşım, hibrit mimariler, soğuk başlangıç ve çeşitlilik dengesi.
Bir öneri sistemi, aslında çok basit bir soruyu ölçekte cevaplar: bu kişi bundan sonra neyle ilgilenir? Cevabın iki klasik kaynağı vardır — benzer davranan başka kullanıcılar ve benzer özellik taşıyan başka içerikler. Modern sistemler bu ikisini birleştirir.
İşbirlikçi filtreleme
Temel sezgi şudur: sizinle benzer şeyleri beğenmiş kişilerin beğendiği ama sizin henüz görmediğiniz şeyler, muhtemelen size de uyar. Bunu yapmak için kullanıcı-ürün etkileşim matrisi kurulur ve bu seyrek matris düşük boyutlu iki matrise ayrıştırılır. Her kullanıcı ve her ürün bir vektörle temsil edilir; tahmin, iki vektörün iç çarpımıdır.
Gücü, içerik hakkında hiçbir şey bilmeden çalışmasıdır. Zayıflığı ise yeni kullanıcı ve yeni ürünlerde hiçbir şey söyleyememesidir.
İçerik tabanlı yaklaşım
Burada ürünlerin kendi özellikleri kullanılır: metin, kategori, etiketler, görsel. Kullanıcının geçmişte etkileşime girdiği ürünlerin özellik profili çıkarılır ve benzer profildeki ürünler önerilir. Embedding modelleri bu benzerliği ölçmenin bugünkü standart yoludur.
Yeni ürünlerde iyi çalışır, ama kullanıcıyı kendi geçmişine hapsetme eğilimindedir: filtre balonu tam olarak buradan doğar.
Hibrit ve iki aşamalı mimari
| Yaklaşım | Yeni kullanıcı | Yeni ürün | Sürpriz |
|---|---|---|---|
| İşbirlikçi | Zayıf | Zayıf | Yüksek |
| İçerik tabanlı | Zayıf | Güçlü | Düşük |
| Hibrit | İyi | İyi | Dengeli |
Soğuk başlangıç
Sistem, hakkında hiçbir sinyal olmayan bir kullanıcıya ne önermeli? Pratik çözümler basittir ve iyi çalışır: popüler içerikle başlamak, kayıt sırasında birkaç tercih sormak, cihaz ve konum gibi bağlamsal ipuçlarını kullanmak, ve ilk oturumda keşfe ağırlık verip hızla öğrenmek.
Doğruluk yetmez: çeşitlilik
Yalnızca tıklama olasılığını en üst düzeye çıkaran bir sistem, kısa vadede iyi görünür ama zamanla daralır: aynı türden içerikleri tekrar tekrar gösterir, kullanıcı sıkılır ve keşif durur. Bu yüzden üretim sistemleri doğruluğun yanına üç ölçüt daha koyar — çeşitlilik, yenilik ve kapsam.
Ayrıca geri besleme döngüsü riski vardır: sistem neyi gösterirse onun verisi birikir, o veri de sistemi aynı yöne iter. Bu döngüyü kırmak için bilinçli keşif (exploration) gerekir.
Sık sorulanlar
Çevrimdışı metrikler yeterli mi?
Hayır. Çevrimdışı sıralama metrikleri yön verir ama gerçek karar A/B testiyle alınır. Çevrimdışı iyi görünen birçok değişiklik canlıda kaybeder.
Örtük geri bildirim mi, açık puan mı?
Örtük sinyaller (tıklama, izleme süresi) çok daha boldur ve pratikte daha kullanışlıdır. Ama "tıkladı" ile "beğendi" aynı şey değildir; bunu modele yansıtmak gerekir.
Gizlilik açısından nelere dikkat etmeli?
Davranış verisi kişiseldir. Amaç sınırlaması, saklama süresi ve kullanıcıya görünürlük şarttır; öneri açıklanabilirliği burada güven kazandırır.
İyi bir öneri sistemi, doğruluğu yüksek olan değil; kullanıcıyı zaman içinde genişleten sistemdir. Devamı için reranking ve hibrit arama ile embedding modelleri yazılarına bakabilirsiniz.
