ÖNERİ SİSTEMLERİ (RECOMMENDATİON SYSTEMS)

ÖNERİ SİSTEMLERİ (RECOMMENDATİON SYSTEMS)

 

Birer kullanıcı olarak öneri sistemlerini benimsememiz ve onlara alışmamız, aslında ne denli ilginç olduklarını gözden kaçırmamıza neden olabiliyor. Bir web sitesi size bir ürün önerdiğinde neden o ürünü önerdiğini ya da nasıl önerdiğini biliyor musunuz? Örneğin, öneri sistemleri Amazon’un gelirinin yaklaşık %30-35’ini oluşturuyor desem? Bu yazıda Öneri Sistemleri’ni (Recommendation Systems) inceleyeceğim.

Bir tanımla başlamak gerekirse öneri sistemleri, kullanıcının seçenekler karşısında yapacağı işlemi öngörmeyi hedefleyen web uygulamaları sınıfıdır. Teknolojinin gelişmesiyle birlikte internette içerik tüketimi artmış ve bu artış öneri sistemlerinin ortaya çıkmasına neden olmuştur. Hem üreticiye hem de tüketiciye fayda sağladığından dolayı öneri sistemleri günümüzde oldukça önemlidir. Peki bu faydalar nelerdir. 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.

 

Öneri Sistemleri Nasıl Çalışır ?

Öneri sistemlerinin çalışma prensibini 4 adımda inceleyebiliriz:

1- Veri Toplama: Kullanıcının yaptığı her işlem öneri sistemleri için birer veridir. Örneğin, bir web sitesinin arama motorunda ne arattığınız, ne tür ürünlere tıkladığınız veya tıklamadığınız, bir ürünü ne kadar incelediğiniz, ürün değerlendirmeleriniz, alışveriş sepetinize eklediğiniz ürünler, iade ettiğiniz ürünler, izlediğiniz/dinlediğiniz, yarıda bıraktığınız filmler/müzikler, hatta hava durumu gibi her detay bu sistem için veridir.

2- Depolama: Elde edilen veriler kullanıcıya daha sonra bir öneri sunma amacıyla depolanır.

3- Analiz: Çeşitli makine öğrenmesi algoritmaları kullanılarak kullanıcının tüketmek isteyeceği ürünler analiz edilir.

4- Filtreleme: Yapılan analiz sonucunda kullanıcıya sunulacak önerilerin filtrelemesi yapılır.

 

Öneri Sistemleri Türleri:

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)

 

 

1.İşbirliğine Dayalı Filtreleme Sistemleri

Benzer kullanıcıların benzer tercihler yapacağı varsayımına dayanır. Genellikle kullanıcı davranışları ve tercihleri hakkında elde edilen veriyi analiz eder ve kullanıcılar arasında karşılaştırma yapıp yeni öneriler üretir. Bu sistemin en büyük avantajı önerilerin sistem tarafından analiz edilmeden çalışmasıdır. Yani sistem bir ürün önerse de o ürünün ne olduğu hakkında bir fikri yoktur. Daha önce benzer tüketim yapmış kullanıcıların daha sonra da benzer tüketim yapabileceğini varsayarak önerir. Böylece analizi zor ögeleri bile, örneğin filmleri, doğru kişiye önerebilir. Birkaç farklı işbirliğine dayalı filtreleme algoritması vardır:

Kullanıcı-Kullanıcı İşbirliğine Dayalı Filtreleme: Benzer kullanıcılar arasında ilişki kurmaya çalışarak öneri oluşturur. Etkili bir algoritma olsa da çok fazla veri gerektirir bu da uzun zamana ihtiyaç duyduğu anlamına gelir.

 

Öğe-Öğe İşbirliğine Dayalı Filtreleme:Bir önceki algoritmaya benzer şekilde benzerlik analiz eder fakat bu kez kullanıcılar arasında değil, ürünler arasında. Bu algoritmanın amacı, kullanıcının etkileşim sağladığı ürünlerin benzerliği gözetilerek diğer kullanıcılara da komşu iki üründen birini incelediği takdirde diğer komşu ürünü önermektir. Ürün analizine dayandığı için bir önceki algoritmaya göre daha az veri gerektirir.

Diğer Basit Algoritmalar:Yukarıdakilerden daha düşük tahmin gücüne sahip başka algoritmalar.

 

 

2.İçeriğe Dayalı Filtreleme Sistemleri

Bir ürünün tanımına ve kullanıcıya ait verilerden oluşan bir profile dayanır; ürünleri tanımlamak için anahtar kelimeler kullanılır, kullanıcının etkileşim sağladığı ürünlerin türünü analiz etmek için de kullanıcı profili oluşturulur.  Sonuç olarak öneri sistemi, kullanıcının daha önce tükettiği bir ürünün benzerini önerir.

 

3.Popülarite Tabanlı Öneri Sistemleri

 Bu sistem kullanıcı davranışlarını analiz etmez. Genel olarak tercih edilen, popüler/trend olan, çok tüketilmiş ürünleri önerir. Örneğin pandemide olduğumuz için çok alakasız bir ürün inceliyor olsanız da e-ticaret sitesinin size maske, dezenfektan vb. önermesinin sebebi popülarite tabanlı öneri sistemidir.

 

4.Hibrit Öneri Sistemleri

Araştırmalar gösteriyor ki İşbirliğine Dayalı ve İçeriğe Dayalı sistemleri tek bir modelde birleştirilebilir ve deyim yerindeyse birlikten kuvvet doğar. İki sistemin bir arada kullanılması birbirlerinin eksiklerini kapatmasını sağlıyor, dolayısıyla hibrit öneri sistemi, işbirliğine dayalı ve içeriğe dayalı sistemlerin tek başlarına kullanılmasından daha iyi performans sunuyor. Bu sisteme verilebilecek en iyi örnek Netflix’tir. Netflix kullanıcılara, benzer kullanıcıların izleme geçmişini karşılaştırarak (işbirliğine dayalı filtreleme) ve kullanıcının yüksek puan verdiği içeriklere benzer içerikleri (içerik tabanlı filtreleme) önerir.

 

Öneri Sistemlerinde Karşılaşılan Bazı Sorunlar:

Soğuk Başlangıç (Cold Start):

Bu problem yeni bir kullanıcıya öneri sunmakla ilgilidir. Kullanıcıyla ilgili henüz hiçbir veri olmadığından doğru önerilerde bulunmak mümkün değildir. Bu sorunun üstesinden gelebilmek adına popülarite tabanlı filtrelemenin yanı sıra kullanıcıdan beğendiği birkaç içeriği seçmesi istenir. Örneğin Spotify hesabı açtığınızda sizden dinlediğiniz birkaç şarkıcıyı seçmeniz istenir.

Ölçeklenebilirlik:

Veri setinin büyük olması ve kullanılacak öneri sistemine karar verme gibi aşamalarda maliyet, iş gücü ve yeterli teknik bilgiye sahip olmamak gibi sorunlarla karşılaşılabilir.

Seyreklik:

Kullanıcıların tükettiği ürünlere geri-bildirim vermemesi söz konusu olabilir. Bu da kullanıcı ve ürün analizini seyrek hale getireceğinden yapılan önerilerdeki başarı oranını etkiler.

Gizlilik:

Öne çıkan sorunlardan bir tanesi de gizliliktir. Öneri sistemlerinin doğru çalışabilmesi için verilere ihtiyacı olduğunu çok kez dile getirdim. Kullanıcının kişisel bilgileri de bu verilerin önemli bir kısmını oluşturuyor. Bu noktada kullanıcılar, gizlilik ve güvenliklerine dair tereddüt yaşayabiliyorlar.

 

 

 

Kaynak:

How Do Recommendation Engines Work? What are the Benefits?

Recommendation Engine (Tavsiye-Öneri Sistemleri)

 

 

Diğer yazılarım için;

https://blog.egesavtek.com/author/mehmetcanleblebicioglu

Mesajını ilet!


Bu yazı hakkında ne düşünüyorsun?
  • Fascinated
  • Happy
  • Sad
  • Angry
  • Bored
  • Afraid