İçindekiler
Gelişen teknoloji ile beraber kullanıcılara dair elde edilen büyük miktardaki veriler, ortaya böyle bir sistem çıkardı. Mesela Netflix’te macera türündeki filmleri çokça izlediğinizde platformun size aynı türdeki benzer yapımları önerdiğini görmüşsünüzdür. Yahut bir e-ticaret sitesinde bir kitap satın aldınız ve aldığınız kitaba benzer diğer eserlerin de size önerildiğine şahit olmuşsunuzdur. Tüm bunlar farklı türleri olan öneri sistemlerine verilebilecek en popüler örnekler. Günümüz dijital dünyasında kullanıcıları tanımaya çalışmak ve bu doğrultuda onlara en doğru bilgiyi, ögeyi, ürünü vs. sunmak çok önemli. E-ticaret sitelerinden dizi – film, müzik platformlarına kadar da sayısız mecra bu sistemlerden yararlanıyor. Peki bu sistem nasıl çalışıyor ve hangi platformlarda var? Gelin hep birlikte öğrenelim!
Öneri Sistemleri Nedir?
Recommendation Systems, Türkçeye “Öneri Sistemleri” olarak geçiyor. Genel bir şekilde bahsetmek gerekirse: Öneri sistemleri, kullanıcılara ilgili ögeleri (izlenecek film, satın alınacak ürün, dinlenecek müzik vs.) önermeyi amaçlayan algoritmalara deniyor. Kullanıcının geçmiş davranışlarına göre hareket eden bu sistem, verimli çalıştığı zaman büyük miktarda gelir elde edebilme şansı sunuyor. Amazon, Alibaba, eBay gibi e-ticaret devlerinin çoğu, müşterilerine kişiselleştirilmiş bir hizmet sunmak için bu sistemden yararlanıyor. Tavsiye sistemleri adı ile de bilinen bu yapı, devasa veri havuzundan kullanıcının geçmiş davranışlarına göre bir filtreleme yoluna gidiyor ve ona hitap edecek en iyi içerikleri sunmaya çalışıyor. Bu açıdan kullanıcılara / müşterilere en doğru ve anlamlı içeriklerin, ürünlerin, bilgilerin sunulması kolaylaşıyor. Zira hemen hiç kimse, eğer o anda ihtiyacı yoksa, yılbaşı için çam ağacı bakarken bir de yazlık terlik almaz. Yılbaşı için çam ağacı bakan müşteriye sunulabilecek en doğru öneriler yine yılbaşına veya kışa özgü ürünler olabilir. Bu kişiselleştirilmiş hizmet doğru kullanıldığı takdirde çok daha büyük bir kârlılığın kapıları açılıyor.
Öneri Sistemleri Nasıl Çalışır?
Peki ama bu sistemin çalışması için gerekenler neler? Bir müşteri, tüketici, kullanıcının seçimlerini öğrenen bu sistem, bu verileri nasıl yorumlayıp alakalı sonuçlar gösterebiliyor? Burada sözü öneri sistemlerinin 4 ayrı türüne vermek gerek:
- İşbirliğine Dayalı Filtreleme Sistemleri: İngilizcesi “Collaborative Filtering Systems” olan işbirlikçi sistem, kullanıcının davranışları hakkında bilgi toplamaya ve diğer kullanıcılar ile olan benzerliklerini bulmaya çalışır. Bu sistemde geçmiş davranışları benzer olan kullanıcıların gelecekte de benzer davranışlar sergileyecekleri varsayılır. Mesela bir e-ticaret sitesinde benzer davranış sergileyen iki müşteri var diyelim. Birinci müşteri filtre kahve makinesi, filtre kağıdı ve kupa bardağı tercih etti. İkinci müşteri ise filtre kahve makinesi, filtre kağıdı ve kahve çekirdeği öğütücüsünü tercih etti. Buna göre birinci müşterinin kahve çekirdeği öğütücüsünü, ikinci müşterinin ise kupa bardağını tercih etmesi çok olasıdır. Genel olarak işbirliğine dayalı filtreleme sisteminin, müşteriler arasında benzerlik kurmaya odaklandığını söyleyebiliriz. Bu sistemin sorunu yeni kullanıcılara verimli bir öneri havuzu sunamaması.
- İçerik Tabanlı Filtreleme Sistemleri: “Content-Based Filtering Systems” Türkçeye bu şekilde aktarılıyor. Bu sistem için çalışan algoritmalar, bir müşterinin geçmişte beğendiği, tercih ettiği ürünlere benzer diğer ürünleri göstermeye çalışır. Özetle, kullanıcının beğendiklerine benzer diğer ögeleri önermek için bu sistem kullanılıyor. Mesela Google Play üzerinden uygulama indiren bir kullanıcıyı ele alalım. Kullanıcının daha önce telefonuna yüklediği uygulamaya göre Google Play “Son etkinliğinize göre” adlı bir liste sunar. Daha çok oyun indiriyorsanız bu alanda oyun uygulamaları görebilir, eğitim ya da sağlık kategorilerini inceliyorsanız da burada bilime dair uygulamaları bulabilirsiniz. Ayrıca kullanıcının doldurduğu profil bilgilerine göre de uygulama, ürün vs. önermek bu sistemde mümkün. E-ticaret üzerinden görselleştirme ile de içerik tabanlı modeli gözümüzde canlandıralım:
- Popülarite Tabanlı Öneri Sistemleri: “Popularity Based Recommendation Systems” olarak da bilinen bu tür adından da kolayca anlaşılabiliyor. İşin temelinde o zaman dilimi içinde trend olan ögeler, olaylar vardır. Bu model diğerlerinin aksine kişiselleştirilmiş değildir. Sadece kullanıcıya daha önce tercih etmediği, almadığı, tüketmediği popüler ürünleri, ögeleri sunar. Bu sisteme örnek olarak IMDB verilebilir. Filmler, diziler, video oyunları vs. hakkında bilgiler sunan çevrim içi bir platform olan IMDB, ilgili yapım için verilen oya, ortalama puanlara vs. bakarak listeleme yapar. Yine Google Play burada da örnek verilebilir. Google Play’e üye girişi yapmayan ya da ilk kez giren bir kullanıcının karşısına “Çok Satan Filmler” ya da “Popüler Kitaplar” gibi bir dizi trend olmuş içerik listesi çıkar. Bunlar da verilen yıldızlara vs.’ye göre öne çıkanlardır.
- Hibrit Öneri Sistemleri: İngilizcesi “Hybrid Recommendation Systems” olan bu sistem, işbirliğine dayalı sistem ile içeriğe dayalı sistemin birleştirilmesi ile meydana geliyor. Amaç ise diğer filtreleme yöntemlerinden doğan sınırlılıkları ortadan kaldırmak. Bu iki sistemin önce ayrı ayrı uygulandığı hibrit modelde, daha sonra ikisi de birleştiriliyor. Ek olarak şu da var: İşbirliğine dayalı modele içerik tabanlı bir modeli, içerik tabanlıya da işbirliği modelini eklemek mümkün. Hibrit öneri modeli, veri yetersizliği ya da sınırlamasından doğan eksikleri tamamlamak için tercih edilebiliyor.
Netflix’te Öneri Sistemleri Örneği
Gelelim en popüler platformlarda bu sistemlerin nasıl çalıştığına. Netflix zaten direkt kendi web sitesinde de bu sistemin nasıl çalıştığını anlatıyor. 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 başlanabilir.
Amazon’da Kişiselleştirilmiş Öneriler
Yukarıda saydığımız modeller, Amazon’un ürün skalasına ölçeklenemediği için şirket kendi öneri sistemini kurdu. Adına “Amazon Personalize” denilen bu sistem, makine öğrenimi (ML) teknolojisiyle oluşturuldu. Verileri işleme, optimize etme, en iyi algoritmaları kullanma gibi fonksiyonları olan Amazon’a özel bu sistem sayesinde şirketin kâr oranı da ciddi ölçüde büyüyor. Hatta Amazon’un gelirinin %40’a yakını da bu öneri motorundan geliyor. Amazon’un kendine has bu sistemini işbirliğine dayalı filtreleme sistemleri içerisinde değerlendirmek mümkün. Mesela yukarıdaki görsele bakın. Amazon web sitesindeki Kitap kategorisine girip George Orwell’ın 1984 romanının detay sayfasına girdiğimizde, hemen aşağısında benzer romanlar öneriliyor.
Spotify Haftalık Keşif Listesi Nasıl Çalışıyor?
Sıkı müzik tutkunları arasında Spotify’a üye olanlar “Haftalık Keşif” listesini çok iyi bilir. Milyonlarca kullanıcısına her pazartesi özel olarak 30 şarkılık çalma listesi sunan Spotify, bu hizmetiyle alakalı şöyle söylüyor: “Sana özel Haftalık Keşifler çalma listeni oluşturmak için birkaç hafta boyunca zevklerini öğrenmemiz gerekiyor.” Yine Haftalık Keşif’e dair şirket tarafından sunulan açıklamalardan birkaçını daha paylaşalım: “Haftalık Keşifler yeni çıkanlar ve takip ettiğin sanatçıların şarkılarından oluşur.” ve “Çalma listen, sevdiğin müzikleri baz alarak sana özel hazırlandı.” Tüm bu hazırlık içinse Spotify’da üç öneri modeli çalışıyor:
- İşbirliğine dayalı öneri sistemi. Diğer kullanıcıların tercihleri ile sizin tercihlerinizin kesişim noktaları bulunmakta.
- Doğal dil işleme. “Natural Language Processing” olarak bilinen bu model, şarkıların metnini analiz eden bir sistem. Spotify’ın doğal dil işleme modeli, her şarkı için bir profil oluşturmak amacıyla sürekli olarak web ortamında geziniyor.
- Ses modellemesi. Her şarkının melodisini algılamak için o şarkının ham sesi kullanılır ve diğer şarkılar ile kıyaslanır.
Youtube’da Video Önerilerinin Matematiği
Bildiğiniz gibi Youtube’da video önerileri iki yerde kullanıcıların karşısına çıkıyor. Birincisi, ana sayfa. İkincisi ise izlenen videonun yanındaki liste. Youtube Blog’da konu hakkında yapılan açıklamalardan biri şöyle: “Örneğin siz tenis videolarını seviyorsanız ve Youtube öneri algoritması sizinle aynı tenis videolarını seven diğer kişilerin caz müzik videoları da sevdiğini ve izlediğini fark ederse, önceden hiç izlememiş olsanız bile size de caz videoları önerebilir.” Bu, yukarıda açıkladığımız işbirliğine dayalı modele güzel bir örnek. Bunun yanı sıra öneri sistemlerinde farklı modeller de var. Bir kullanıcı, tıkladığı videoya göre de benzer içerikleri karşısında görebilir. Youtube, 2012 yılında algoritmasına izleme süresi özelliği de ekledi. Bir videoya tıklamanın, onun baştan sona gerçek anlamda izlemek anlamına gelmediğini anlayan Youtube, böylece sistemini geliştirmeye çalışıyor. Videoyu paylaşma, beğenme – beğenmeme hareketleri de yine platformun öneri sistemini şekillendiren unsurlar.
Instagram Keşfet’e Bir Bakış
Tabii ki öneri sistemleri içerisinde sosyal medyadaki en popüler uygulamalardan biri Instagram Keşfet. Günlük sohbetlere kadar nüfuz edebilen Instagram Keşfet, çok geniş bir ölçekte hızlı bir şekilde çalışmaya ihtiyaç duyar. İnsanlara, ilgi alanlarına yönelik olarak tavsiye vermeye çalışan Keşfet için kendine özgü bir dil olarak IGQL oluşturuldu. Milyarlarca video, görsel, fotoğraf arasından kullanıcılara en alakalı görselleri göstermek için çalışan IGQL, Instagram’ın yapay zekâ ve makine öğreniminden aldığı yardımlardan yalnızca biri oldu. IGQL başlı başına bir başka öneri sistemi olarak uygulamanın Keşfet bölümü için çalışıyor ve kullanıcıların ilgi alanlarına göre en alakalı içerikleri hesaplamaya çalışıyor. Genel olarak da tabii ki Instagram’da vaktinizi nasıl harcadığınız, hangi gönderiler ile etkileşime girdiğiniz, ne tür hesapları takip ettiğiniz, bir gönderiye kaç saniye boyunca baktığınız Keşfet’in veri toplamasına kolaylık sağlayan hareketler. Ne var ki bazı zamanlarda Keşfet sayfası ne olduğundan dahi emin olmadığımız içerikler ile dolup taşabilir. Bu karmaşayı önlemek için de sıfırlama işlemi gerçekleştirilebiliyor. Bunun içinse telefonda Instagram uygulamasında Keşfet’e gelin ve görmek istemediğiniz içeriğin sağ üst köşesindeki üç noktaya dokunun. “İlgilenmiyorum” seçeneğine tıklayarak her gönderi özelinde sıfırlama yapabilirsiniz. Toplu bir sıfırlama içinse telefonunuzdan Instagram uygulamasını açın ve Profil > Ayarlar > Güvenlik > Arama Geçmişini Temizle > Tümünü Temizle işlemlerini uygulayın.
Sonuç ve Olası Riskler
Sonuç olarak e-ticaret siteleri, sosyal medya uygulamaları, popüler dijital platformlar vs.’nin pek çoğu kendi içeriklerine göre bir öneri sistemi oluşturmakta. Platformlar değişse de değişmeyen şey, yazının başında belirttiğimiz gibi: Daha çok dönüşüm oranları elde edebilmek. Bu, daha fazla ürün satmak da olabilir daha fazla şarkı dinletebilmek de… Daha fazla film izletmek de olabilir daha fazla gönderiye yorum yaptırmak da. Tabii ki bunun olası risklerinden de konuşuluyor. Örneğin, yankı odaları uzun zamandır Twitter gibi sosyal medya uygulamaları kastedilerek gündeme geliyor. Yankı odası dediğimiz kavram; aynı düşünce, fikir, görüş etrafında birleşen insanlara yalnızca o düşünce, fikir, görüş etrafında bilgi sunulması demek. Bu da farklı görüşlere rastlama ihtimalini azaltan bir faktör. Bu da özellikle toplumsal bir gündem olduğu zaman dezenformasyona neden olabilme tehlikesi taşıyor. Bunun yanı sıra, bir web sitesini uzun süredir kullanan bir müşterinin / tüketicinin artık hep benzer içeriklere, ürünlere, görsellere rastlaması durumu bir yenilik, değişiklik yapabilmek için de ekstra çaba harcamak anlamına geliyor. Tüm bunlar aradığımız şeyleri bulmamızı mı kolaylaştırıyor yoksa bizi sınırlıyor mu? Ya da her ikisi de mi? Tüm bunlar ciddi ölçüde tartışılmaya devam etse de öneri sistemlerinin pratikte çok iyi bir şekilde çalışmaya devam ettiği açık.
İçerik dağıtım stratejisi oluşturmak için ihtiyacınız olan tüyolar yazımızda!
