Son yıllarda teknolojinin gelişmesiyle birlikte tercihlerimiz farklılaşıyor, örneğin TV izlemek yerine Netflix, Exxen, BluTV gibi sitelerden dizi/ film izlemeyi tercih ediyoruz, müzik dinlerken radyolardan değil de Spotify, Fizy gibi uygulamaları tercih ediyoruz, mağazalardan alışveriş yapmak yerine e-ticaret üzerinden ihtiyaçlarımızı satın almayı tercih ediyoruz ve buna benzer birçok şeyde tercihlerimizin teknolojiye ayak uydurarak değiştiğini görüyoruz.
Bu tercihlerin değişmesiyle kullanıcılar ile ilgili büyük miktarda veri oluşuyor. Fark ettiyseniz, sadece kendi dizi/müzik tercihleriniz yerine Netflix size özel dizi/film tavsiyelerinde bulunuyor. Spotify her hafta sizin müzik tarzınıza göre dinleme listesi hazırlıyor. E-ticaret sitelerinde gezinirken ya da ürüne geldiğinizde size uygun olabilecek birçok ürün önerisinde bulunuyor ve daha birçok örnek…
Hadi şimdi bu öneri sistemlerinin ne olduğuna bakalım…
Tavsiye/Öneri Sistemleri Nedir?
Öneri sistemleri, farklı kullanıcılara ait verileri analiz ederek kullanıcıların ilgi alanlarını öngörmek ve sonraki hareketlerini tahmin ederek buna göre ilgili ürünleri doğru kullanıcılara önermek için düzenlenen algoritma yapılarıdır. Uygulanacak yöntemler basitçe, kişinin önceki hareketlerine göre ya da benzer kişilerin hareketlerinden yola çıkılarak düzenlenebilir.
Tavsiye/Öneri Sistemlerinin Faydaları
Öneri sistemleri tüketicilere kişiselleştirilmiş hizmet/ürün sunduğu için kullanıcının istediği ürüne daha hızlı ulaşmasını yani zamandan tasarruf etmesini sağlar. Üretici için ise iyi etkileşimler, iyi trafik sağlayacağı için gelirini artırmasına yarar. Doğru öneriler ile kişiler kullanıma yönlendirilir ve kişinin belki de hiç keşfedemeyeceği ürünler sunulmuş olur.
Tavsiye/Öneri Sistemi Çeşitleri Nelerdir?
Temel olarak 4 öneri sistemi türü vardır:
İşbirliğine Dayalı Filtreleme Sistemleri (Collaborative Filtering Systems)
İçeriğe Dayalı Filtreleme Sistemleri (Content-Based Filtering Systems)
Popülarite Tabanlı Öneri Sistemleri (Popularity Based Recommendation Systems)
Hibrit Öneri Sistemleri (Hybrid Recommendation Systems)
İşbirliğine Dayalı Filtreleme Sistemleri (Collaborative Filtering Systems)
Kullanıcının davranışları hakkında bilgi toplayarak diğer kullanıcılarla olan benzerliği temel alarak neleri seveceğini tahmin etmeye dayanmaktadır. Bu sistemde geçmişte benzer tercihlere sahip olan kullanıcıların gelecekte de benzer tercihler yapacakları varsayılır.
En önemli avantajlarından biri analiz için içeriğe ihtiyaç duymaması ve bu nedenle nesnenin kendisini anlamasını gerektirmeden karmaşık öğeleri doğru bir şekilde önerebilmesidir. Mesela bir e-ticaret sitesinde benzer davranış sergileyen iki müşteri var diyelim. Birinci müşteri güneş kremi, bronzlaştırıcı krem ve güneş sonrası losyonu tercih etti. İkinci müşteri ise güneş kremi, güneş sütü ve güneş sonrası losyonu tercih etti. Buna göre birinci müşterinin güneş sütünü, ikinci müşterinin ise bronzlaştırıcı tercih etmesi çok olasıdır.
Genel olarak iş birliğine dayalı filtreleme sisteminin, müşteriler arasında benzerlik kurmaya odaklandığını söyleyebiliriz. Bu sistemin sorunu yeni kullanıcılara verimli bir öneri havuzu sunamamasıdır.
İçeriğe Dayalı Filtreleme Sistemleri (Content-Based Filtering Systems)
İçeriğe dayalı filtreleme yöntemi, bir ürünün açıklamasına ve kullanıcının tercih ettiği seçeneklerin içeriğine dayanmaktadır. İçerik tabanlı bir öneri sisteminde, anahtar kelimeler ürünü tanımlamak için kullanılmaktadır. Algoritmalar, bir kullanıcının geçmişte beğendiklerine benzer ürünler önermeye çalışır.
Bilim kurgu kategorisinden dizi/film seven biriyseniz bir sonraki dizi/film önerisinin yine bilim kurgu altyapılı bir dizi/film olması örnek olarak verilebilir. Burada önemli olan nokta, ürünlerin içerik kaynağından kullanıcı tercihlerinin öğrenip öğrenilemeyeceğidir. Kullanılacak yöntem mevcut probleme göre değişir. E-ticaret özelinde örnekleyecek olursak, bir telefon aldığınızda telefon kılıfı önerisinin yapılması, bu ürünlere ait içeriklerin iyi bir şekilde tanımlanması ile gerçekleşebilir.
Genel olarak İçeriğe Dayalı Filtreleme Sisteminin fikri, bir ürünü beğendiyseniz bu ürüne benzer başka bir ürünü de beğeneceğinize dayanmaktadır.
Popülarite Tabanlı Öneri Sistemleri (Popularity Based Recommendation Systems)
Adından da kolayca anlaşılabileceği üzere trend olan ürün/hizmet/uygulamalar önerilir. Bu öneriler kişinin ilgi alanlarını genişletmek, uygulama tercihlerini yaygınlaştırmak için bir fırsat olarak değerlendirilebilir. Bu model diğerlerinin aksine kişiselleştirilmiş değildir. Sadece kullanıcıya daha önce tercih etmediği, almadığı, tüketmediği popüler ürünleri, ögeleri sunar.
Bu sisteme örnek olarak Google Play verilebilir. Oyunlar, uygulamalar, filmler, kitaplar vs. sunan çevrim içi bir platform olan Google Play, ilgili içerik için verilen oya, ortalama puanlara vs. bakarak listeleme yapar.
Popülerliğe dayalı öneri sisteminin en büyük sorunu verilerin kişiselleştirme için kullanılmamasıdır. Kullanıcının davranışını bilseniz bile, ürünleri bu seçeneklere göre önerme imkânınız yoktur.
Hibrit Öneri Sistemleri (Hybrid Recommendation Systems)
Hibrit öneri sistemi, işbirliğine dayalı ve içeriğe dayalı filtreleme yöntemlerini ayrı ayrı yaparak ardından birleştirerek uygulanabilir. Ayrıca, işbirliğine dayalı bir yaklaşıma içerik tabanlı özellikler ekleyerek veya içerik tabanlı bir öneri sistemine işbirliğine dayalı özellikler ekleyerek bu yaklaşımlar tek modelde birleştirilebilmektedir.
Hibrit öneri sisteminin performansı saf işbirlikçi ve içerik temelli yöntemlerle karşılaştırmaya odaklanan birkaç çalışma yapılmış ve hibrit yöntemlerin saf yaklaşımlardan daha doğru tavsiyeler sunabileceği kanıtlanmıştır. Hibrit öneri sistemi çoğunlukla veri yetersizliği gibi yaygın sorunların üstesinden gelmek için kullanılabilir.
Popüler Platformların Kullandığı Öneri Sistemleri
Netflix
Netflix; veriyi yöneten, kullanan ve bu bağlamda kararlar alırken kullanıcıları merkeze yerleştiren ve onların izleme geçmişlerini, içeriklere vermiş oldukları puanları, benzer zevklere sahip kullanıcıları, oyuncular/türler gibi birçok kategoriyi dikkate alarak tahminlerde bulunan ve müşterilerine olabildiğine daha iyi bir deneyim yaşatmayı hedefleyen bir şirkettir.
Platformdaki yapımları izleme olasılıklarınız aşağıdaki şu bilgilere göre tahmin edilmeye çalışılıyor:
İzleme geçmişi, içeriklere verdiğiniz puanlar gibi etkileşimleriniz,
Benzer tercihlere sahip diğer üyeler (işbirliğine dayalı model),
İzlediğiniz zaman dilimi (gün ve saat),
Netflix’i hangi cihazdan izlediğiniz,
Ne kadar süreyle izlediğiniz
Netflix ayrıca popülerlik tabanlı modeli de kullanabiliyor. Örneğin, Netflix’e yeni üye oldunuz ve beğendiğiniz birkaç içeriği seçmediniz. O zaman ülke genelindeki popüler yapımların önerisi ile işe başlanabiliyor.
Spotify
Spotify, 100 milyondan fazla kullanıcıya “Haftalık Keşif” listeleriyle kişiselleştirilmiş bir deneyim yaratırken muhtemelen daha önceden dinlemediğiniz fakat beğenme ihtimalinizin bir hayli yüksek olduğu şarkıları sizlere önermektedir.
Bu listeler için üç öneri modelini kullanmaktalar:
İşbirliğine Dayalı Filtreleme, diğer kullanıcıların tercihleri ile sizin tercihlerinizi incelemekte ve kıyaslamaktadır.
Doğal Dil İşleme, her şarkıdaki metni analiz eder.
Ses Modellemesi, şarkının melodisini anlamak için bir şarkının ham sesini kullanır ve diğer şarkılar ile karşılaştırır.
Son sözler...
Bu yazımda sizlere öneri sistemlerinde kullanılan 4 temel modeli basitçe tanıtmaya çalıştım. Umarım yazımdan faydalanmış ve okurken zevk almışsınızdır.
Görüşmek üzere!
Sevgilerimle,
Sena Yeşildağ
Kaynakça:
Aras, Murat Efe. «Birliktelik Kuralları İle Web Siteleri İçin Tavsiye Motoru Uygulaması.» 2010.