Öneri Sistemleri: Uygulamalar ve Örnekler

Öneri sistemlerinin ana türlerini, temel kavramlarını ve gerçek dünya uygulamalarını inceledik ve LightFM, Cornac BPR ve TensorFlow Recommenders'ı AUC, Precision@10 ve Recall@10 kullanarak benchmarkladık.

Öneri sistemleri için en iyi Python kütüphaneleri

Bu kütüphaneler, işbirlikçi veya içerik tabanlı filtreleme tekniklerini kullanarak eğitim verilerini işlemek ve kişiselleştirilmiş öneriler oluşturmak için makine öğrenimi algoritmalarını uygular. Ayrıca, bu kütüphaneler verileri analiz etmek ve kalıpları ortaya çıkarmak için makine öğrenimi modelleri uygular, böylece öneri motorunun kullanıcı davranışına ve tercihlerine göre ilgili öğeleri önermesini sağlar.

LightFM vs Cornac BPR vs TensorFlow benchmark sonuçları

TensorFlow Recommenders en iyi performansı gösterdi. Derin öğrenme mimarisi, daha karmaşık kullanıcı-öğe ilişkilerini yakalamasına olanak tanır. Meta veri mevcut olduğunda iyi performans gösteren LightFM, burada yalnızca davranışsal veri kullandığımız için o kadar güçlü performans göstermedi; yine de BPR'dan daha iyi performans gösterdi. Cornac BPR en düşük öneri kalitesine sahipti, bu da onu hızlı deneyler veya küçük ölçekli uygulamalar için daha uygun hale getiriyor.

LightFM, Cornac BPR ve TensorFlow'u test etmek için öneri motoru benchmark metodolojimizi kullandık.

Öneri sistemi nedir?

Bir öneri sistemi (veya öneri sistemi), kullanıcıların tercihlerine, davranışlarına ve bir platformla etkileşimlerine dayalı olarak kişiselleştirilmiş öneriler sunmak için tasarlanmış bir araçtır. Bu sistemler, satın alma geçmişi, tarama geçmişi, kullanıcı demografisi ve bağlamsal bilgiler gibi verileri analiz ederek ilgili içerik sunar. Aşağıda en yaygın öneri sistemi türleri yer almaktadır:

İşbirlikçi filtreleme teknikleri:

• Kullanıcılar ve öğeler arasındaki etkileşim kalıplarına dayanır.
• Kullanıcı tabanlı işbirlikçi filtrelemeyi (benzer kullanıcıları bulma) ve öğe tabanlı işbirlikçi filtrelemeyi (benzer öğeleri bulma) içerir.
• eCommerce ve streaming hizmetleri için en uygunudur.

İçerik tabanlı filtreleme teknikleri:

• Öğelerin özelliklerine (öğe özellikleri) ve kullanıcının geçmiş etkileşimlerine (kullanıcının tercihleri) odaklanır.
• Hedef kullanıcının belirli ilgi alanlarını belirlemek için idealdir.

Hibrit öneri sistemleri:

• İşbirlikçi filtreleme ve içerik tabanlı yöntemleri birleştirir.
• İyileştirilmiş tahminler için derin sinir ağları ve yinelemeli sinir ağları gibi makine öğrenimi modellerinden yararlanır.

Öneri sistemleri temel kavramlar

Matris çarpanlarına ayırma temelleri

Matris çarpanlarına ayırma, işbirlikçi filtrelemede temel bir tekniktir. Büyük bir kullanıcı-öğe etkileşim matrisini (örneğin, derecelendirmeler veya tıklamalar) gizli kalıpları veya ilişkileri yakalayan daha küçük matrislere ayırır; bunlara gizli özellikler denir.

Bu yaklaşım, veri karmaşıklığını azaltmaya ve bir kullanıcının belirli türlere olan tercihleri veya bir öğenin belirli bir gruba olan çekiciliği gibi anlamlı içgörüler ortaya çıkarmaya yardımcı olur.

Embedding tabanlı benzerlik

Bazı öneri çerçeveleri, öğe benzerliğini paylaşılan etiketler yerine vektör embedding'leri kullanarak hesaplar. Embedding tabanlı yaklaşımlar, öğe özelliklerini sayısal bir vektörde yakalayarak, manuel etiket bakımı olmadan daha doğru benzerlik eşleştirmesi sağlar.

Örneğin, açık kaynaklı Gorse öneri sistemi, OpenAI ve Ollama gibi sağlayıcılardan gelen embedding'ler dahil olmak üzere öğe vektörleri arasındaki Öklid mesafesini hesaplayarak embedding benzerliğini destekler.¹

Eğlence

Eğlence sektöründe öneri sistemleri, kullanıcıların zevklerine uygun filmler, müzikler, TV şovları veya kitaplar keşfetmelerine yardımcı olur. İzleme veya dinleme alışkanlıklarını analiz ederek, bu sistemler kullanıcı etkileşimini ve platformda geçirilen süreyi artırmak için kişiselleştirilmiş içerik sağlayabilir.

Gerçek hayat örneği: Netflix

Netflix, şov ve film önermek için işbirlikçi filtreleme ve içerik tabanlı filtreleme kombinasyonunu kullanır; bu da izlenen içeriğin %80'inin öneriler tarafından yönlendirilmesine yol açar.

Netflix Prize, Netflix'in Ekim 2006'da film öneri sistemini geliştirmek için başlattığı bir yarışmaydı. Bu zorluk, Netflix'in mevcut öneri algoritmasına kıyasla tahmin doğruluğunda en az %10 iyileştirme sağlayabilen ekip veya bireye 1 milyon dolar ödül sundu.²

Gerçek hayat örneği: Spotify

Her hafta, Spotify, her abone için yeni bir özelleştirilmiş çalma listesi olan "Discover Weekly"yi oluşturur; bu, kullanıcıların benzersiz müzik zevklerine dayalı 30 şarkılık kişiselleştirilmiş bir listedir. Müzik zekası ve veri analitiği startup'ı Echo Nest'in satın alınması, üç farklı türde öneri modeli kullanan bir müzik öneri motoru oluşturmalarına olanak tanıdı:³

• İşbirlikçi filtreleme: Şarkıları, kullanıcıların geçmiş dinleme verilerini diğer kullanıcıların dinleme geçmişiyle karşılaştırarak filtreler.
• Doğal dil işleme: Scraping belirli sanatçılar ve şarkılar hakkında bilgi için interneti tarar. Her sanatçıya veya şarkıya daha sonra günlük olarak değişen ve önem derecesine göre ağırlıklandırılan dinamik bir üst terim listesi atanır. Motor daha sonra iki parça müziğin veya sanatçının benzer olup olmadığını belirler.
• Ses dosyası analizi: Algoritma, her bireysel ses dosyasının özelliklerini, tempo, ses seviyesi, ton ve zaman imzası dahil olmak üzere analiz eder ve buna göre önerilerde bulunur.

Sosyal medya

Sosyal medya platformları, kullanıcı etkileşimleri, tercihleri ve bağlantıları temelinde arkadaş, grup, sayfa, gönderi veya reklam önermek için öneri sistemlerini kullanır. Bu öneriler, kullanıcı etkileşimini artırır, içerik keşfini teşvik eder ve reklam geliri oluşturur.

Meta

Meta, kullanıcıların takip etmediği kaynaklardan bile Facebook ve Instagram'da kişiselleştirilmiş içerik önerileri sunmak için AI sistemlerini kullanır. Bu yaklaşım, çeşitli içerikler sunarak kullanıcı deneyimini geliştirir ve yaratıcıların daha geniş kitlelere ulaşmasını destekler. Öneri süreci şunları içerir:

• İçerik anlama: Yarı anlamsal anlamlarını anlamak için görüntüler, metin, ses ve video dahil çeşitli içerik türlerini analiz etmek ve yorumlamak için AI modellerini kullanır.
• Tercih anlama, geri çağırma ve sıralama: Bireysel kullanıcı ilgi alanlarıyla en alakalı olanları belirlemek ve sıralamak için büyük miktarda içeriği kolayca filtreleyen sistemler geliştirir.

Bu AI destekli strateji, Meta'nın kullanıcıları, ilgi alanlarını daha derinlemesine keşfetmeye teşvik etmek ve genel platform etkileşimini artırmak için doğrudan ağlarının ötesinde ilgi çekici içeriklerle buluşturmasını sağlar.⁴

X (eski adıyla Twitter)

X'in öneri sistemi, uçtan uca öğrenilen bir yaklaşımın lehine el ile tasarlanmış özellikleri ortadan kaldırdı. Kullanıcı geçmişini ve aday gönderileri ayrı ayrı kodlayarak ilgili gönderileri almak için iki kuleli bir model kullanır, ardından her öğeyi kullanıcı davranışından doğrudan etkileşim olasılıklarını tahmin eden bir Grok tabanlı dönüştürücü kullanarak sıralar.

Tam uygulama, X For-You feed deposunda kamuya açıktır.⁵

Perakende

Perakende sektöründe öneri sistemleri, kişiselleştirilmiş alışveriş deneyimleri, mağaza içi öneriler ve envanter önerileri için kullanılır. Bu sistemler perakendecilerin stok yönetimini optimize etmesine, satışları artırmasına ve müşteri memnuniyetini artırmasına yardımcı olur.

Gerçek hayat örneği: Amazon Personalize ile Rappi

Latin Amerika'daki bir sipariş üzerine teslimat hizmeti olan Rappi, uygulaması içinde kişiselleştirilmiş bir öneri sistemi uygulayarak müşteri etkileşimini artırmak ve satışları artırmak için Amazon Personalize ile iş birliği yaptı.

Amazon Personalize'dan yararlanarak Rappi, kullanıcı davranışını ve tercihlerini analiz ederek uygulamanın özel bir bölümünde görüntülenen özelleştirilmiş ürün önerileri sağlayan "Sadece Senin İçin" (JFY) adlı bir özellik geliştirdi.

Bu kişiselleştirme stratejisi, tıklama oranlarında %102'lik bir artışa ve kişiselleştirilmiş önerilerden elde edilen gelirde %147'lik bir artışa yol açtı. Ayrıca, müşteri etkileşimi iyileşti ve düşük performans gösteren ürünlerin görülme sıklığı azaldı.⁶

Finans ve bankacılık

Finansal kurumlar, öneri sistemlerini bir kullanıcının finansal davranışlarına ve hedeflerine dayalı olarak yatırım seçenekleri, kredi kartları veya sigorta ürünleri önermek için kullanır. Üretken AI'nın finans ve bankacılık'ta nasıl kullanılabileceğini daha fazla öğrenmek için bankacılıkta Gen AI kullanım durumlarına göz atın.

Oyun

Oyun platformları, öneri sistemlerini kullanıcıların tercihleri, oynama alışkanlıkları ve sosyal etkileşimleri temelinde oyun içi satın alımlar, yeni oyunlar önermek veya oyuncuları birbirine bağlamak için kullanır. Bu, oyun deneyimini geliştirir ve gelir getirir.

Gerçek hayat örneği: Google Cloud ile Glance

InMobi'nin iştiraki olan Glance, 220 milyondan fazla kullanıcıyı kilit ekranları üzerinden etkileşime sokan Nostra adlı mobil oyun platformları için kişiselleştirilmiş bir oyun öneri sistemi oluşturmak üzere Google Cloud ile iş birliği yaptı.

Kullanıcı ve oyun verilerini etkileşim verileriyle analiz ederek, optimum etkileşim zamanları ve oyun tercihleri gibi kalıpları belirlediler. Bu iş birliği, kullanıcı etkileşimini önemli ölçüde artırdı.⁷

Ayrıca, öneri sistemleri, upselling, çapraz satış ve daha yüksek etkileşim oranlarını tetikleyerek önemli gelir fırsatları açar. Kişiselleştirilmiş öneriler sunarak, bu sistemler müşteri sadakatini artırır, uzun vadeli sadakati ve sürdürülebilir kullanıcı etkileşimini teşvik eder.

LLM tabanlı öneri sistemleri

Geleneksel öneri sistemleri, derecelendirmeler ve tıklamalar gibi yapılandırılmış verileri analiz eder. LLM tabanlı sistemler daha ileri gider, doğal dil sorgularını anlar, nüanslı tercihleri yorumlar ve önerilerini açıklar.

Bu yaklaşım, geleneksel yöntemlere göre birkaç avantaj getirir:

• Yarı anlamsal anlama: Anahtar kelime eşleştirmesinin ötesinde, "çok yapmacık olmayan ama yükseltici bir şey" gibi karmaşık, doğal dil sorgularını yorumlar
• Soğuk başlangıç yönetimi: Yeni kullanıcılar, etkileşim geçmişi gerektirmek yerine tercihlerini doğal dilde açıklayabilir
• Açıklanabilir çıktılar: Öneriler için doğal dil açıklamaları oluşturur, ancak bunlar modelin iç hesaplamalarından ziyade modelin akıl yürütmesini açıklar
• Çapraz alan akıl yürütmesi: Farklı kategoriler ve içerik türleri arasında temel tercihleri belirler

Gerçek Dünya Örnekleri:

• Netflix, kullanıcı etkileşim geçmişini token olarak ele alan ve dönüştürücü tabanlı mimarileri uygulayan kişiselleştirilmiş öneriler için bir temel model geliştirdi
• Spotify AI DJ, kişiselleştirilmiş yorumlar ve müzik seçimleri oluşturmak için dinleme geçmişini üretken AI ile birleştirir
• Amazon Rufus, doğal dil ürün keşfini sağlayan üretken AI destekli bir alışveriş asistanıdır
• Criteo Agentic Commerce Recommendation Service, AI alışveriş asistanlarını satıcı envanterlerine bağlar; sorguları bir Model Context Protocol (MCP) API üzerinden yönlendirerek, ürünleri gerçek alışveriş davranışına göre sıralamak için canlı alışveriş sinyallerini uygular.⁸ https://www.criteo.com/news/press-releases/2026/02/criteo-introduces-agentic-commerce-recommendation-service-to-power-ai-shopping-assistants/[/efn_note]
• Wizard, perakendeciler, incelemeler ve içerik kaynakları arasında arama yaparak özelleştirilmiş bir ilk beş ürün listesi döndüren bir AI alışveriş ajanıdır. Perakendeciye özel önericilerin aksine, kullanıcının tanımladığı ihtiyaçlara göre web genelinde sonuçları birleştirir.⁹ https://www.wizard.com/press/2026-02-11-fortune-marc-lore-and-melissa-bridgeford-wizard-emerges-from-stealth[/efn_note]
• LinkedIn, akış sıralamasında üretken önericileri ve büyük ölçekli dizi modellerini dağıttı. Her akış bileşeni için ayrı modeller kullanmak yerine, sistem her kullanıcının aktivitesini sürekli bir yolculuğun bir parçası olarak değerlendirir, böylece platformun farklı alanlarındaki davranışların öneriler üzerinde sürekli olarak etkilenmesini sağlar.¹⁰ https://www.socialmediatoday.com/news/linkedin-uses-ai-to-improve-feed-relevance/819792/[/efn_note]

Bir öneri sistemi kurmak

Çoğu şirketin mevcut bir çözümü benimsemesinden faydalanacağı halde, niş kategorilerde veya çok yüksek ölçekteki şirketler kendi öneri motorlarını oluşturmayı deneyebilir.

1. Hazır bir çözüm kullanmak

Öneri sistemleri, en erken ve en olgun AI kullanım alanlarından biridir.

Bu yaklaşımın avantajları arasında hızlı uygulama ve çoğu durum için son derece doğru sonuçlar yer alır:

• Satıcının bir kod snippet'ini dahil etmek başlamak için yeterli olabilir.
• Çözümler, satıcıların modellerini iyileştirmek için anonim bir şekilde müşterilerinin binlerce işleminden gelen verileri kullandıkları için doğru olma eğilimindedir.

Doğru sistemi seçmek için, farklı sistemlerin etkinliğini hızlı bir şekilde test etmek için geçmiş veya daha da iyisi canlı verileri kullanabilirsiniz.

2. Kendi çözümünüzü oluşturmak

Bu, şu durumlarda mantıklı olabilir:

• öneri motorlarının daha önce kullanılmadığı bir niş alandaysanız veya
• biraz daha iyi önerilerin iş sonuçlarınızda önemli bir fark yaratabileceği dünyanın en büyük pazar yerlerinden birine sahipseniz.

Günümüzdeki öneri sistemleri, benzer satın alma ve tarama geçmişine sahip müşterilerin gelecekte benzer ürünler satın alacağı gibi mantık kullanır. Böyle bir sistemin çalışması için ya çok sayıda geçmiş işleme ya da diğer web sitelerindeki kullanıcı davranışınız hakkında detaylı verilere ihtiyacınız vardır. Böyle verilere ihtiyacınız varsa, veri pazar yerlerinde arayabilirsiniz.

Daha fazla veri ve daha iyi algoritmalar önerileri iyileştirir. Şirketinizdeki tüm ilgili verilerden yararlanmanız gerekir ve müşteri verilerinizi 3. taraf verilerle genişletebilirsiniz. Düzenli müşteriniz diğer web sitelerinde kırmızı spor ayakkabılar arıyorsa, web sitenizi ziyaret ettiklerinde onlara harika bir çift göstermemeniz için ne gerek var?

3. Kendi çözümlerinizi oluşturmak için bir danışmanla çalışmak

Biraz daha iyi bir öneri motoru, bir şirketin satışlarını birkaç yüzde puan artırabilir; bu da düşük kâr marjlarına sahip bir şirketin kârlılığında dramatik bir değişiklik yaratabilir. Bu nedenle, şirketin pazardaki mevcut çözüm sağlayıcılarından tatmin edici sonuçlar alamaması durumunda daha iyi öneri motorları oluşturmaya yatırım yapmak mantıklı olabilir.

4. Kendi çözümünüzü oluşturmak için bir veri bilimi yarışması düzenlemek

Bir olası yaklaşım, böyle sistemler oluşturmak için kalabalığın bilgeliğini kullanmaktır. Şirketler, şifrelenmiş geçmiş verileri kullanabilir, veri bilimi yarışmaları başlatabilir veya danışmanlarla çalışarak son derece etkili öneriler sağlayan modeller elde edebilir.

Veri kaymasını ele almak

Embedding'ler ve önbelleğe alınmış öğe dizinleri zamanla eski olabilir, artık mevcut kullanıcı ilgi alanlarını yansıtmayan önerilere neden olabilir. Drifter gibi araçlar, öneri kalitesini etkilemeden önce veri kalitesi sorunlarını ve kaymayı tespit etmek için canlı öneri hatlarını gerçek zamanlı olarak izler.¹¹ https://www.catalyzex.com/paper/drifter-efficient-online-feature-monitoring[/efn_note]

Bir öneri sistemi nasıl seçilir?

Doğru öneri sistemini seçmek, iş hedeflerinize, mevcut verilerinize ve elinizdeki teknik kaynaklara bağlıdır. İşte bazı temel hususlar:

1. Verinizde model değerlendirmesi
   • Özel bağlamınızda ne kadar iyi performans gösterdiklerini görmek için modelleri kendi veri setinizde test etmek esastır. Hazır benchmark'lar kullanıcılarınızı, öğelerinizi veya iş hedeflerinizi yansıtmayabilir.
2. Mevcut veri türü
   • Açık veri (derecelendirmeler, incelemeler, beğeniler) işbirlikçi filtreleme ile iyi çalışır.
   • Gizli veri (tıklamalar, geçirilen süre, satın alımlar) hibrit veya derin öğrenme yaklaşımlarını tercih eder.
3. İş hedefleri
   • Hedefiniz ölçekli kişiselleştirme ise, derin öğrenme veya hibrit sistemler en iyi seçeneklerdir.
   • Hızlı deneyler için, matris çarpanlarına ayırma gibi daha basit modeller yeterli olabilir.
4. Ölçeklenebilirlik gereksinimleri
   • Büyük ölçekli platformlar (örneğin, eCommerce, streaming) genellikle milyonlarca kullanıcıyı ve öğeyi işleyebilen derin öğrenme tabanlı veya bulut barındırmalı çözümler gerektirir.
5. Alan bilgisi ve kaynaklar
   • Ekip makine öğrenimi uzmanlığından yoksunsa, hızlı dağıtım için satıcı çözümlerini (örn. Amazon Personalize, Google Recommendations AI) kullanmak faydalı olabilir.
   • Yüksek derecede uzmanlaşmış alanlar için, yerinde bir çözüm oluşturmak gerekebilir.

İpucu: Ölçeklendirmeden önce canlı verilerinizle performansı değerlendirerek hazır kütüphanelerle (LightFM, TensorFlow Recommenders) prototipleme yaparak başlayın.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Öneri sistemlerini uygulama maliyeti

Bir öneri sistemi uygulamak, doğrudan ve dolaylı maliyetleri içerir:

1. Geliştirme süresi: Özel modeller oluşturmak veri bilimcileri, mühendisleri ve altyapı ekipleri gerektirir. Geliştirme, birkaç haftadan (prototipler için) birkaç aya (prodüksiyon sistemleri için) kadar değişebilir.
2. Altyapı maliyetleri:
   • Kendi sunucunuzda: GPU sunucuları, veritabanları ve sürekli bakım gerektirir.
   • Bulut tabanlı: Maliyetler veri boyutu ve API kullanımıyla (AWS, GCP, Azure) ölçeklenir.
3. Satıcı ücretleri: SaaS tabanlı çözümler, API çağrı sayısına, kullanıcı sayısına veya işlenen veri miktarına göre ücretlendirebilir.
4. Sürekli maliyetler:
   • Model yeniden eğitimi, izleme ve güncellemeler.
   • İyileştirilmiş öneriler için harici veri kaynaklarını entegre etmenin potansiyel maliyetleri.

Kaba Kural: Küçük işletmeler SaaS araçlarıyla (<10k$/yıl) başlayabilirken, yerinde sistemler oluşturan büyük işletmeler genellikle altyapı ve yeteneğe milyonlarca dolar yatırım yapar.

Öneri sistemlerinin etik sonuçları

Öneri motorları değer sağlasa da, önemli etik ve sosyal hususları gündeme getirir:

• Taraflılık ve adalet: Algoritmalar mevcut taraflılıkları (örneğin, yalnızca popüler içeriği önermek, çeşitliliği görmezden gelmek) pekiştirebilir.
• Gizlilik endişeleri:
  • Kullanıcı verilerini toplamak ve analiz etmek, rıza ve veri koruma konusunda endişeler uyandırır.
  • GDPR, CCPA ve diğer veri gizliliği yasalarına uyum hayati önem taşır.
• Sorumlu veri kullanımı:
  • Şeffaf politikalar, kullanıcı verilerinin nasıl toplandığını, işlendiğini ve saklandığını açıklamalıdır.
  • Farklılaştırılmış gizlilik ve anonimleştirme teknikleri riskleri azaltabilir.

Öneri motoru benchmark metodolojisi

Bu çalışmada, gizli geri bildirim verilerine, özellikle ürünlerle kullanıcı etkileşimlerine dayalı öneri sistemleri oluşturmak ve değerlendirmek üzerine odaklandık. Analizimizde kullanılan veri seti üç temel öğe içerir: visitorid, itemid ve görüntüleme, sepete ekleme ve işlem gibi etkileşim türleri. Kullanıcılar öğeleri açıkça derecelendirmemiş ancak bu davranışlar üzerinden etkileşime girmiş oldukları için, bu veriyi gizli geri bildirim olarak değerlendirdik.

Gizli veriyi işleme konusundaki etkinliklerini değerlendirmek için üç farklı öneri modeli test ettik:

1. LightFM: Hem işbirlikçi filtreleme hem de içerik tabanlı yöntemler kullanan hibrit bir model. Modeli eğitmek için WARP (Weighted Approximate-Rank Pairwise) kayıp fonksiyonunu kullandık. Odak, kullanıcıların geçmiş etkileşimlerini analiz ederek bir ürünü görüntüleme olasılığını tahmin etmekti.
2. Cornac BPR (Bayesian Personalized Ranking): Kullanıcı etkileşimlerine dayalı öğeleri sıralamak için tasarlanmış işbirlikçi filtreleme tabanlı bir model. İlgili öğeleri ilgisiz olanların üzerinde sıralamayı optimize ederek kullanıcı tercihlerini öğrenmek için gizli geri bildirimi kullanır.
3. TensorFlow Recommenders: Hem kullanıcıları hem de öğeleri temsil etmek için embedding'ler kullanan, aralarındaki karmaşık ilişkileri yakalayan derin öğrenme tabanlı bir çerçevedir. Model, her kullanıcı için en ilgili öğeleri tahmin etmek için bir geri çağırma göreviyle gizli etkileşimler üzerinde eğitilir.

Modeller, özellikle hedef davranış olarak görüntüleme olayına odaklanarak, bir kullanıcının bir ürünle etkileşime geçme olasılığını tahmin etmek üzere eğitildi. Amacımız, kullanıcıların geçmiş davranışlarına dayanarak hangi ürünlerle en çok etkileşime gireceklerini tahmin etmektir. Eğitimin ardından, modellerin görülmemiş etkileşimlere iyi genelleştirilmesini sağlamak için modelleri test verisi kullanarak değerlendirdik.

Modellerin performansını, öneri sistemlerinde yaygın olarak kullanılan üç metrik temelinde değerlendirdik:

• AUC (Eğri Altındaki Alan): Modelin ilgili öğeleri ilgisiz olanlardan daha yüksek sıralamada ne kadar iyi sıraladığını değerlendiren bir metrik. 1'e daha yakın bir AUC skoru, daha iyi sıralama performansını gösterir.
• Precision@10: İlk 10 önerilen öğeden kaçının gerçekten ilgili olduğunu (yani kullanıcı tarafından etkileşime girildiğini) ölçer. Daha yüksek değerler, daha iyi öneri doğruluğunu gösterir.
• Recall@10: İlk 10 öneri içinde (kullanıcının etkileşimlerinden) kaç ilgili öğenin göründüğünü ölçer. Bu metrik, modelin kullanıcı tercihlerini ne kadar iyi yakaladığını anlamak için önemlidir.

Bu metrikleri üç model arasında karşılaştırarak, ilgili öğeleri sıralama ve bu öğeleri ilk önerilerde doğru bir şekilde geri çağırma açısından en iyi performans gösteren modeli belirledik.

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Öneri Sistemleri: Uygulamalar ve Örnekler}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/recommendation-system}},
  note   = {AIMultiple. Erişim tarihi: 19 Mayıs 2026}
}

Referans Linkleri

1.

Item-to-Item Recommenders | Gorse

2.

How retailers can keep up with consumers | McKinsey

McKinsey & Company

3.

Netflix Research

4.

Discover Weekly: How Spotify is Changing the Way We Consume Music - Technology and Operations Management

5.

The AI behind unconnected content recommendations on Facebook and Instagram

6.

GitHub - xai-org/x-algorithm: Algorithm powering the For You feed on X · GitHub

7.

Health. Powered by Ada.

8.

Customer Success Stories: Case Studies, Videos, Podcasts, Innovator stories

9.

Nostra from Glance, Gaming Recommendation at Scale with Google Cloud AI | Google Cloud Blog

Google Cloud

10.

Criteo Introduces Agentic Commerce Recommendation Service to Power AI Shopping Assistants | Criteo

Criteo

11.

Wizard Press Release: Marc Lore and Melissa Bridgeford’s Wizard Emerges from Stealth

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple'da baş analist olarak görev yapmaktadır. AIMultiple, her ay Fortune 500 şirketlerinin %55'i de dahil olmak üzere yüz binlerce işletmeye (benzer Web'e göre) bilgi sağlamaktadır. Cem'in çalışmaları, Business Insider, Forbes, Washington Post gibi önde gelen küresel yayınlar, Deloitte, HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslararası kuruluşlar tarafından alıntılanmıştır. AIMultiple'ı referans gösteren daha fazla saygın şirket ve kaynağı görebilirsiniz. Kariyeri boyunca Cem, teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararları konusunda danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayınlamıştır. Bir telekom şirketinin CEO'suna bağlı olarak teknoloji stratejisi ve tedarikini yönetmiştir. Ayrıca, 2 yıl içinde sıfırdan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetmiştir. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınlarında yer aldı. Cem düzenli olarak uluslararası teknoloji konferanslarında konuşmacı olarak yer almaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisliği diplomasına ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Sıla Ermut

Sektör Analisti

Takip Et

Sıla Ermut, AIMultiple'da e-posta pazarlama ve satış videoları üzerine odaklanan bir sektör analistidir. Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalışmıştır. Sıla, Sosyal Psikoloji alanında Yüksek Lisans ve Uluslararası İlişkiler alanında Lisans derecesine sahiptir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder