Öneri Sistemleri: Uygulamalar ve Örnekler

Öneri sistemleri, verileri kullanarak deneyimleri kişiselleştirerek hem işletmelere hem de müşterilere fayda sağlar. Seçenekleri basitleştirerek ve kullanıcıları etkileşimde tutarak satışları artırmaya, müşteri sadakatini yükseltmeye ve müşteri kaybını azaltmaya yardımcı olurlar.

Aynı örtük geri bildirim veri setini ve aynı ön işleme adımlarını kullanarak üç Python öneri kütüphanesini (LightFM, Cornac BPR ve TensorFlow Recommenders) karşılaştırmalı olarak değerlendirdik.

Her modeli aynı veri üzerinde eğittik, AUC, Precision@10 ve Recall@10 kullanarak değerlendirdik ve en iyi k önerideki ilgili öğeleri sıralama ve bulma yeteneklerini karşılaştırdık.

Öneri sistemleri için en iyi Python kütüphaneleri

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

LightFM, Cornac BPR ve TensorFlow karşılaştırma sonuçları

TensorFlow Öneri Sistemleri En iyi performansı gösterdi. Derin öğrenme mimarisi, daha karmaşık kullanıcı-ürün ilişkilerini yakalamasına olanak tanıyor. Meta veriler mevcut olduğunda iyi performans gösteren LightFM, yalnızca davranışsal veriler kullandığımız için burada o kadar güçlü bir performans göstermedi; yine de BPR'den 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.

Öneri motoru kıyaslama metodolojimizi kullanarak LightFM, Cornac BPR ve TensorFlow'u test ettik.

Öneri sistemi nedir?

Öneri sistemi, kullanıcıların tercihlerine, davranışlarına ve bir platformla etkileşimlerine göre kişiselleştirilmiş öneriler sunmak üzere tasarlanmış bir araçtır. Bu sistemler, ilgili içeriği sunmak için satın alma geçmişi, tarama geçmişi, kullanıcı demografik bilgileri ve bağlamsal bilgiler gibi verileri analiz eder. Aşağıda en yaygın öneri sistemi türleri yer almaktadır:

İşbirlikçi filtreleme teknikleri:

• Kullanıcılar ve öğeler arasındaki etkileşim kalıplarına dayanmaktadır.
• Kullanıcı tabanlı işbirlikçi filtreleme (benzer kullanıcıları bulma) ve öğe tabanlı işbirlikçi filtreleme (benzer öğeleri bulma) özelliklerini içerir.
• E-ticaret ve yayın hizmetleri için en uygunudur.

İçerik tabanlı filtreleme teknikleri:

• Ürünlerin özelliklerine (ürün nitelikleri) ve kullanıcının geçmiş etkileşimlerine (kullanıcının tercihleri) odaklanır.
• Hedef kullanıcının özel ilgi alanlarını belirlemek için idealdir.

Hibrit öneri sistemleri:

• İşbirlikçi filtreleme ve içerik tabanlı yöntemleri birleştirin.
• Derin sinir ağları ve tekrarlayan sinir ağları gibi makine öğrenimi modellerini kullanarak tahmin doğruluğunu artırır.

Öneri sistemlerinin temel kavramları

Matris çarpanlara ayırma temelleri

Matris ayrıştırma, işbirlikçi filtrelemede temel bir tekniktir. Büyük bir kullanıcı-ürün etkileşim matrisini (örneğin, derecelendirmeler veya tıklamalar) gizli kalıpları veya ilişkileri yakalayan daha küçük matrislere ayırır; bu gizli özelliklere latent özellikler denir.

Bu yaklaşım, veri karmaşıklığını azaltmaya ve kullanıcının belirli türlere olan tercihi veya bir ürünün belirli bir gruba hitap etmesi gibi anlamlı içgörüler ortaya çıkarmaya yardımcı olur.

Örtük verileri anlamak

Örtük veriler, yıldız derecelendirmeleri gibi açık geri bildirimlerden ziyade davranışlardan elde edilen, kullanıcı tercihlerinin dolaylı göstergelerini ifade eder. Örtük verilere örnek olarak tıklama oranları, sayfada geçirilen süre, satın alma geçmişi ve arama kalıpları verilebilir.

Bu tür verilerin büyük ölçekte toplanması daha kolaydır ve genellikle gerçek dünya etkileşimini yansıtır. Bununla birlikte, uzun bir sayfa ziyaretinin ilgi mi yoksa dikkat dağıtma mı gösterdiğini yorumlamak gibi gürültülü veya belirsiz olabilir.

Önerilerde derin öğrenme

Derin öğrenme, sinir ağlarını kullanarak karmaşık ve çok boyutlu verileri analiz ederek öneri sistemlerini destekler. Özellikle oturum tabanlı öneriler, içerik anlama ve zaman, konum veya kullanıcı ruh halini dikkate alan bağlam duyarlı öneriler için etkilidir.

Bu yöntemler, metin, resim ve video gibi büyük ve yapılandırılmamış verileri işleyerek özellikler arasındaki karmaşık ilişkileri öğrenebilir.

Hibrit öneri yaklaşımları

Hibrit öneri sistemleri, işbirlikçi filtreleme, içerik tabanlı filtreleme ve bilgi tabanlı yaklaşımlar gibi farklı teknikleri bir araya getirir. Bu entegrasyon, doğruluğu artırır ve yeni kullanıcılar veya öğeler gibi başlangıç sorunları ve seyrek veri gibi zorlukların üstesinden gelir.

Eğitim videosu: LightFM ile öneri sistemi oluşturma

Bu eğitimde, kullanıcı-ürün etkileşimlerinden elde edilen örtük verilerden yararlanarak LightFM kullanarak bir öneri motoru oluşturacağız. Çeşitli müşteri verilerini içeren bu eğitim verileri, modelin kullanıcı tercihlerini öğrenmesine ve doğru tahminler yapmasına yardımcı olur.

Oluşturduğumuz LightFM modeli, kullanıcının henüz görmediği öğelerle olası etkileşimlerini tahmin ederek, hangi ürünleri görüntüleme olasılığının yüksek olduğunu öngörecektir. Model, bu doğru tahminleri yapmak için verileri analiz eder ve önerilerin kullanıcı davranışına göre uyarlanmasını sağlar.

Önkoşullar

Başlamadan önce, gerekli kütüphanelerin kurulu olduğundan emin olun. Kurulu değilse, bunları pip aracılığıyla kurabilirsiniz:

Daha gelişmiş öneri sistemleri için doğal dil işleme kütüphanelerine de ihtiyaç duyulabilir.

Veri kümesine genel bakış

Bu eğitimde, kullanıcıların ürünlerle etkileşimleri hakkında bilgi içeren bir perakende e-ticaret veri setini kullanacağız. Veri seti aşağıdaki sütunları içermektedir:

• visitorid: Ziyaretçi (kullanıcı) için benzersiz bir tanımlayıcı.
• itemid: Ürün için benzersiz bir tanımlayıcı.
• Olay: Bu durumda, yalnızca 'görüntüleme' olaylarıyla ilgileniyoruz.

Veri kümesi, işlenmesi gereken yapılandırılmamış veriler de içerebilir.

Veri kümesindeki örnek bir giriş şu şekilde görünür:

Basitlik açısından, kullanıcıların ürünlerle etkileşimde bulunduğu 'görüntüleme' olaylarını filtreleyeceğiz. Daha sonra bu bilgileri öneri modelini oluşturmak için kullanacağız.

Adım adım öneri sistemi kılavuzu

1. Verileri yükleyin ve hazırlayın.

Öncelikle, veri setini yüklememiz ve eğitim için ön işleme tabi tutmamız gerekiyor. İhtiyacımız olan temel sütunlar visitorid, itemid ve event'tir. Ayrıca, bellek kullanımını optimize etmek için 'görüntüleme' olaylarını filtreleyeceğiz ve kategorik değişkenleri (visitorid ve itemid) sayısal kodlara dönüştüreceğiz.

Veri setini yükle:

Yalnızca 'görüntüleme' etkinliklerini filtrele:

Bellekten tasarruf etmek için visitorid ve itemid'yi kategori türüne dönüştürün:

2. Kullanıcı-ürün matrisini oluşturun.

Ardından, visitorid ve itemid sütunlarını sayısal gösterimlere dönüştüreceğiz ve LightFM modeline girdi olarak hizmet edecek seyrek bir matris oluşturacağız. Büyük veri kümeleri için bellek açısından verimli olan scipy'yi kullanarak seyrek bir matris oluşturacağız.

visitorid ve itemid'yi sayısal kodlara dönüştürün:

Matris boyutlarını tanımlayın:

4. Verileri eğitim ve test kümelerine ayırın.

Şimdi, scikit-learn'den train_test_split fonksiyonunu kullanarak örneklenmiş verileri eğitim ve test kümelerine ayıracağız. Bu, öneri modelinin performansını daha önce görülmemiş veriler üzerinde değerlendirmemizi sağlayacaktır.

Verileri eğitim ve test kümelerine ayırın.

Eğitim ve test verilerini seyrek formata dönüştürün:

5. LightFM modelini eğitin

Verileri hazırladığımıza göre, LightFM modelini eğitebiliriz. Öneri görevlerinde etkili olan WARP (Weighted Approximate-Rank Pairwise) kayıp fonksiyonunu kullanacağız.

LightFM modelini WARP kaybı ile başlatın:

Modelin eğitimine başlayın:

Eğitim süresini yazdırın:

6. Modeli değerlendirin

Model eğitildikten sonra, AUC (Eğri Altındaki Alan), Precision@10 ve Recall@10 gibi ölçütler kullanarak performansını değerlendirebiliriz. Bu ölçütler, modelin ne kadar iyi performans gösterdiğine dair bize fikir verir.

Test verileri üzerinde AUC değerini hesaplayın:

Precision@10 ve Recall@10 değerlerini hesaplayın:

Bu eğitimde, LightFM kütüphanesini kullanarak basit bir öneri sistemi oluşturduk. Veri setini yükleme, verileri ön işleme, öneri modelini eğitme ve performansını değerlendirme süreçlerini ele aldık. Model, uygulamanızın özel ihtiyaçlarına göre daha da ayarlanabilir ve optimize edilebilir.

Öneri sistemlerinin uygulanabileceği alanlar

Hemen hemen her işletme bir tavsiye sisteminden faydalanabilir. Bir işletmenin bu teknolojiden elde edebileceği fayda düzeyini belirleyen iki önemli unsur vardır.

• Veri çeşitliliği: Farklı davranışlar sergileyen yalnızca birkaç müşteriye hizmet veren bir işletme, otomatik öneri sisteminden pek fazla fayda sağlamayacaktır. İnsanlar, az sayıda örnekten öğrenme konusunda makinelerden çok daha iyidir. Bu gibi durumlarda, çalışanlarınız doğru önerilerde bulunmak için mantıklarını ve müşteriler hakkındaki niteliksel ve niceliksel anlayışlarını kullanacaklardır.
• Veri derinliği : Her müşteri hakkında tek bir veri noktasına sahip olmak da öneri sistemleri için faydalı değildir. Müşterilerin çevrimiçi aktiviteleri ve mümkünse çevrimdışı satın alımları hakkında derinlemesine veriler, doğru önerilere rehberlik edebilir.

Öneri sistemlerinin en yaygın olarak kullanıldığı sektörlerden bazıları şunlardır:

e-ticaret

E-ticaret platformları, kullanıcılara ilgili ürünler önererek alışveriş deneyimini geliştirmek için öneri sistemlerinden yararlanır.

Bu sistemler, geçmiş satın alımları, tarama geçmişini ve tercihleri analiz ederek "Bu ürünü satın alan müşteriler ayrıca şunları da satın aldı" veya "Sıkça birlikte satın alınanlar" gibi ürünler önerir.

Bu süreç, satışları artırır, ortalama sipariş değerini yükseltir ve kullanıcıların zaman ve emekten tasarruf etmesini sağlayarak müşteri memnuniyetini de artırır.

Gerçek hayattan bir örnek: Amazon

Amazon.com, web sitesinin ve e-posta kampanyalarının çoğu sayfasında ürün bazlı işbirlikçi filtreleme önerileri kullanıyor. McKinsey'e göre, Amazon alışverişlerinin %35'i öneri sistemleri sayesinde gerçekleşiyor. ¹

Eğlence

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

Gerçek hayattan bir örnek: Netflix

Netflix, dizi ve film önerilerinde işbirlikçi filtreleme ve içerik tabanlı filtrelemeyi bir arada kullanıyor; bu da izlenen içeriğin %80'inin önerilerden kaynaklanmasına yol açıyor.

Netflix Ödülü, Netflix'in film öneri sistemini geliştirmek amacıyla Ekim 2006'da başlattığı bir yarışmaydı. Bu yarışmada, Netflix'in mevcut öneri algoritmasına kıyasla tahminlerin doğruluğunda en az %10'luk bir iyileşme sağlayabilen ekip veya bireye 1 milyon dolarlık ödül teklif edildi. ²

Gerçek hayattan bir örnek: Spotify

Spotify, her hafta aboneleri için "Discover Weekly" adı verilen, kullanıcıların benzersiz müzik zevklerine göre kişiselleştirilmiş 30 şarkılık bir çalma listesi oluşturuyor. Müzik zekası ve veri analitiği alanında faaliyet gösteren Echo Nest şirketini satın almaları, üç farklı öneri modelini kullanan bir müzik öneri motoru oluşturmalarını sağlıyor: ³

• İşbirlikçi filtreleme: Kullanıcıların geçmiş dinleme verilerini diğer kullanıcıların dinleme geçmişiyle karşılaştırarak şarkıları filtreleme.
• Doğal dil işleme: Belirli sanatçılar ve şarkılar hakkında bilgi edinmek için internetten veri çekme. Her sanatçı veya şarkıya, günlük olarak değişen ve alaka düzeyine göre ağırlıklandırılmış dinamik bir en iyi terimler listesi atanır. Ardından, sistem iki müzik parçasının veya sanatçının benzer olup olmadığını belirler.
• Ses dosyası analizi: Algoritma, her bir ses dosyasının tempo, ses yüksekliği, ton ve zaman işareti gibi özelliklerini ayrı ayrı inceler ve buna göre önerilerde bulunur.

Sosyal medya

Sosyal medya platformları, kullanıcı etkileşimlerine, tercihlerine ve bağlantılarına dayanarak arkadaş, grup, sayfa, gönderi veya reklam önermek için tavsiye sistemleri kullanır. Bu öneriler kullanıcı etkileşimini artırır, içerik keşfini teşvik eder ve reklam geliri oluşturur.

Gerçek hayattan örnek: Meta

Meta, yapay zeka sistemlerini kullanarak Facebook ve Instagram'da, kullanıcıların takip etmediği kaynaklardan bile kişiselleştirilmiş içerik önerileri sunuyor. Bu yaklaşım, çeşitli içerikler sunarak kullanıcı deneyimini geliştiriyor ve içerik oluşturucuların daha geniş kitlelere ulaşmasını destekliyor. Öneri süreci şunları içeriyor:

• İçerik anlama: Görüntüler, metinler, ses ve videolar da dahil olmak üzere çeşitli içerik türlerini analiz etmek ve yorumlamak, böylece anlamsal anlamlarını kavramak için yapay zeka modellerinden yararlanmak.
• Tercihleri anlama, bulma ve sıralama: Kullanıcıların bireysel ilgi alanlarına en uygun içerikleri belirlemek ve sıralamak için büyük miktarda içeriği kolayca filtreleyen sistemler geliştirme.

Bu yapay zeka destekli strateji, Meta'ün kullanıcılara yakın çevrelerinin ötesinde ilgi çekici içerikler sunmasını, ilgi alanlarının daha derinlemesine keşfedilmesini teşvik etmesini ve genel platform etkileşimini artırmasını sağlar. ⁴

Sağlık hizmeti

Sağlık öneri sistemleri, tıbbi geçmiş ve yaşam tarzı gibi hasta verilerine göre uyarlanmış tedavi seçenekleri, sağlık kaynakları veya önleyici tedbirler önerir. Yapay zekanın sağlık hizmetlerine entegre edilmesi, bakım kalitesini artırır ve sağlık maliyetlerini düşürür. Daha fazla bilgi edinmek için sağlık hizmetlerinde üretken yapay zeka konusuna göz atın.

Gerçek hayattan örnek: Ada Sağlık Hizmetleri

Ada Health, kişiselleştirilmiş tıbbi rehberlik sağlayarak kullanıcıların sağlıklarını yönetmelerine yardımcı olmak için tasarlanmış yapay zeka destekli bir platformdur. Kullanıcılar, olası durumları öneren ve uygun sonraki adımları tavsiye eden değerlendirmeler almak için semptomlarını girebilirler. Platformun yapay zeka sistemi, doğruluğu ve güvenilirliği sağlamak için bir tıp uzmanları ekibi tarafından sürekli olarak optimize edilmektedir.

Ada, bireysel kullanıcılara hizmet vermenin yanı sıra, sağlık hizmeti sonuçlarını iyileştirmeyi amaçlayan kurumsal çözümler de sunmaktadır. Bu çözümler, ortakların sağlık kararlarını bilgilendirmelerine, triyaj süreçlerini geliştirmelerine ve gereksiz maliyetleri azaltmalarına yardımcı olur. ⁵

Perakende

Perakende sektöründe, tavsiye sistemleri kişiselleştirilmiş alışveriş deneyimleri, mağaza içi öneriler ve stok önerileri için kullanılır. Bu sistemler perakendecilerin stok yönetimini optimize etmelerine, satışları artırmalarına ve müşteri memnuniyetini yükseltmelerine yardımcı olur.

Gerçek hayattan bir örnek: Amazon Personalize ile Rappi

Latin Amerika'da talep üzerine teslimat hizmeti sunan Rappi, müşteri etkileşimini artırmak ve satışları yükseltmek amacıyla uygulamasına kişiselleştirilmiş bir öneri sistemi entegre ederek Amazon Personalize ile iş birliği yaptı.

Rappi, Amazon Personalize'ı kullanarak, kullanıcı davranışlarını ve tercihlerini analiz eden ve uygulamanın özel bir bölümünde görüntülenen kişiye özel ürün önerileri sunan "Sadece Sizin İçin" (JFY) adlı bir özellik geliştirdi.

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

Finans ve bankacılık

Finans kuruluşları, kullanıcıların finansal davranışlarına ve hedeflerine göre yatırım seçenekleri, kredi kartları veya sigorta ürünleri önermek için tavsiye sistemleri kullanır. Üretken yapay zekanın finans ve bankacılıkta nasıl kullanılabileceği hakkında daha fazla bilgi edinmek için bankacılıkta Gen AI kullanım örneklerine göz atın.

Oyun

Oyun platformları, oyuncuların tercihlerine, oyun alışkanlıklarına ve sosyal etkileşimlerine göre oyun içi satın alımlar, yeni oyunlar önermek veya oyuncuları birbirine bağlamak için öneri sistemleri kullanır. Bu, oyun deneyimini geliştirir ve geliri artırır.

Gerçek hayattan örnek: Google Cloud ile bakış.

InMobi'nin bir yan kuruluşu olan Glance, kilit ekranları aracılığıyla 220 milyondan fazla kullanıcıya ulaşan mobil oyun platformu Nostra için kişiselleştirilmiş bir oyun öneri sistemi oluşturmak üzere Cloud ile ortaklık kurdu.

Kullanıcı ve oyun verilerini etkileşim verileriyle analiz ederek, en uygun etkileşim süreleri ve oyun tercihleri gibi kalıpları belirlediler. Bu iş birliği, kullanıcı etkileşimini önemli ölçüde geliştirdi. ⁷

Bu alanlar, özellikle tavsiye sistemleri için uygundur çünkü büyük miktarda kullanıcı ve ürün verisi üreten sektörleri içerir ve bu da doğru tahminler ve içgörüler için zengin bir temel sağlar.

Bu alanlardaki kullanıcılar, tercihlerine göre uyarlanmış kişiselleştirilmiş deneyimler beklemektedir; bu da müşteri taleplerini karşılamak için öneri sistemini kritik bir özellik haline getirmektedir.

Dahası, öneri sistemleri, ek satışları, çapraz satışları ve daha yüksek etkileşim oranlarını teşvik ederek önemli gelir fırsatları yaratır. Kişiye özel öneriler sunarak, bu sistemler müşteri sadakatini artırır, uzun vadeli bağlılığı ve sürdürülebilir kullanıcı etkileşimini destekler.

LLM Tabanlı Öneri Sistemleri

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

Bu yaklaşım, geleneksel yöntemlere göre çeşitli avantajlar sunmaktadır:

• "İçinizi ısıtan ama fazla klişe olmayan bir şey" gibi karmaşık sorguların, anahtar kelime eşleştirmesinin ötesinde anlamsal olarak anlaşılması.
• Yeni kullanıcıların etkileşim geçmişine ihtiyaç duymak yerine tercihlerini doğal dilde tanımladığı soğuk başlangıç çözümleri.
• Önerinin neden yapıldığını açıklayan, izah edilebilir çıktılar.
• Temel tercihleri anlayarak kategoriler arası alanlar arası akıl yürütme

Gerçek Dünya Örnekleri:

• Netflix, kullanıcı etkileşim geçmişini belirteçler olarak ele alan ve dönüştürücü tabanlı mimariler uygulayan, kişiselleştirilmiş öneriler için temel bir model geliştirdi.
• Spotify AI DJ, kişiselleştirilmiş yorumlar ve müzik seçimleri oluşturmak için dinleme geçmişini üretken yapay zeka ile birleştiriyor.
• Amazon Rufus, doğal dil tabanlı ürün keşfine olanak sağlayan, yapay zeka destekli bir alışveriş asistanıdır.

Öneri sistemi kurma

Çoğu şirket mevcut bir çözümü benimsemekten fayda görürken, niş kategorilerde faaliyet gösteren veya çok büyük ölçekli şirketler kendi öneri motorlarını oluşturmayı deneyebilirler.

1. Hazır bir çözüm kullanmak

Öneri sistemleri, yapay zekanın en eski ve en olgun kullanım alanlarından biridir.

Bu yaklaşımın avantajları arasında hızlı uygulama ve çoğu durumda son derece doğru sonuçlar yer almaktadır:

• Satıcıya ait bir kod parçacığı eklemek, başlamak için yeterli olabilir.
• Çözümler genellikle doğrudur çünkü satıcılar modellerini geliştirmek için müşterilerinin binlerce işleminden elde edilen verileri anonimleştirilmiş bir şekilde kullanırlar.

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

2. Kendi çözümünüzü oluşturmak

Bu şu durumlarda mantıklı olabilir:

• Siz, daha önce tavsiye motorlarının kullanılmadığı niş bir alanda faaliyet gösteriyorsunuz veya
• Dünyanın en büyük pazar yerlerinden birine sahipsiniz ve burada biraz daha iyi öneriler, işletmenizin sonuçlarında önemli bir fark yaratabilir.

Günümüzde piyasadaki öneri sistemleri şu mantığı kullanır: Benzer satın alma ve gezinme geçmişine sahip müşteriler gelecekte de benzer ürünler satın alacaktır. Bu tür bir sistemin çalışması için ya çok sayıda geçmiş işlem verisine ya da kullanıcının diğer web sitelerindeki davranışlarına ilişkin ayrıntılı verilere ihtiyacınız vardır. Bu tür verilere ihtiyacınız varsa, bunları veri pazarlarında arayabilirsiniz.

Daha fazla veri ve daha iyi algoritmalar, önerileri geliştirir. Şirketinizdeki tüm ilgili verilerden yararlanmanız ve müşteri verilerinizi üçüncü taraf verilerle genişletmeniz gerekir. Düzenli bir müşteriniz diğer web sitelerinde kırmızı spor ayakkabı arıyorsa, web sitenizi ziyaret ettiğinde neden ona harika bir çift göstermeyesiniz?

3. Kendi çözümlerinizi oluşturmak için bir danışmanla çalışmak

Biraz daha iyi bir öneri motoru, bir şirketin satışlarını birkaç puan artırabilir; bu da düşük kar marjlarına sahip bir şirketin karlılığında önemli bir değişiklik yaratabilir. Bu nedenle, şirket piyasadaki mevcut çözüm sağlayıcılarından tatmin edici sonuçlar alamıyorsa, daha iyi öneri motorları geliştirmeye yatırım yapmak mantıklı olabilir.

4. Kendi çözümünüzü oluşturmak için bir veri bilimi yarışması düzenlemek

Olası yaklaşımlardan biri, bu tür sistemleri oluşturmak için kitlelerin bilgeliğinden yararlanmaktır. Şirketler şifrelenmiş geçmiş verileri kullanabilir, veri bilimi yarışmaları düzenleyebilir veya danışmanlarla çalışarak son derece etkili öneriler sunan modeller elde edebilirler.

Öneri sistemi nasıl seçilir?

Doğru öneri sistemini seçmek, işletme hedeflerinize, mevcut verilere ve elinizdeki teknik kaynaklara bağlıdır. İşte bazı önemli noktalar:

1. Verileriniz üzerinde model değerlendirmesi
   • Modellerin kendi veri setinizde nasıl performans gösterdiğini görmek için bunları test etmek çok önemlidir. Hazır kıyaslama araçları, kullanıcılarınızı, ürünlerinizi veya iş hedeflerinizi yansıtmayabilir.
2. Mevcut veri türü
   • Açık veriler (puanlar, yorumlar, beğeniler) işbirlikçi filtreleme ile iyi sonuç verir.
   • Örtük veriler (tıklamalar, harcanan süre, satın alımlar) hibrit veya derin öğrenme yaklaşımlarını destekler.
3. İş hedefleri
   • Eğer amacınız geniş ölçekte kişiselleştirme ise, derin öğrenme veya hibrit sistemler en iyi seçeneklerdir.
   • Hızlı deneyler için, matris ayrıştırma gibi daha basit modeller yeterli olabilir.
4. Ölçeklenebilirlik gereksinimleri
   • Büyük ölçekli platformlar (örneğin, e-ticaret, yayın akışı) genellikle milyonlarca kullanıcıyı ve ürünü işleyebilecek derin öğrenme tabanlı veya bulut tabanlı çözümlere ihtiyaç duyar.
5. Alan bilgisi ve kaynaklar
   • Ekibinizin makine öğrenimi konusunda uzmanlığı yoksa, tedarikçi çözümlerinden (örneğin, Amazon Personalize, Google Recommendations AI) yararlanmak dağıtım sürecini hızlandırabilir.
   • Son derece uzmanlaşmış alanlar için, kurum içi bir çözüm geliştirmek gerekebilir.

İpucu: Ölçeklendirmeye geçmeden önce hazır kütüphanelerle (LightFM, TensorFlow Recommenders) prototip oluşturarak başlayın ve performansı canlı verilerinizle değerlendirin.

Öneri sistemlerinin uygulanmasının maliyeti

Bir öneri sisteminin uygulanması doğrudan ve dolaylı maliyetler içerir:

1. Geliştirme süresi : Özel modeller oluşturmak veri bilimcileri, mühendisler ve altyapı ekipleri gerektirir. Geliştirme süresi birkaç haftadan (prototipler için) birkaç aya (üretim sistemleri için) kadar değişebilir.
2. Altyapı maliyetleri :
   • Yerinde kurulum : GPU sunucuları, veritabanları ve sürekli bakım gerektirir.
   • Bulut tabanlı : Maliyetler veri boyutu ve API kullanımına göre artar (AWS, GCP, Azure).
3. Tedarikçi ücretleri : SaaS tabanlı çözümler, API çağrılarının sayısına, kullanıcı sayısına veya işlenen veri miktarına bağlı olarak ücretlendirme yapabilir.
4. Devam eden maliyetler :
   • Modelin yeniden eğitilmesi, izlenmesi ve güncellenmesi.
   • Öneri sistemlerini iyileştirmek için harici veri kaynaklarını entegre etmenin potansiyel maliyetleri.

Genel Kural: Küçük işletmeler SaaS araçlarıyla (<10.000$/yıl) başlayabilirken, şirket içi sistemler kuran büyük işletmeler genellikle altyapıya ve yeteneklere milyonlarca dolar yatırım yapar.

Öneri sistemlerinin etik sonuçları

Öneri sistemleri değer sağlasa da, önemli etik ve sosyal sorunları da beraberinde getiriyor:

• Önyargı ve adalet : Algoritmalar mevcut önyargıları güçlendirebilir (örneğin, yalnızca popüler içerikleri önermek, çeşitliliği göz ardı etmek).
• Gizlilik endişeleri :
  • Kullanıcı verilerinin toplanması ve analiz edilmesi, rıza ve veri koruma konularında endişelere yol açmaktadır.
  • GDPR, CCPA ve diğer veri gizliliği yasalarına uyum hayati önem taşımaktadır.
• Verilerin sorumlu kullanımı :
  • Şeffaf politikalar, kullanıcı verilerinin nasıl toplandığını, işlendiğini ve saklandığını açıklamalıdır.
  • Diferansiyel gizlilik ve anonimleştirme teknikleri riskleri azaltabilir.

Öneri motoru kıyaslama metodolojisi

Bu çalışmada, özellikle kullanıcıların ürünlerle etkileşimine dayalı örtük geri bildirim verileriyle desteklenen öneri sistemlerinin oluşturulması ve değerlendirilmesine odaklandık. Analizimizde kullanılan veri seti üç temel unsur içermektedir: visitorid, itemid ve görüntüleme , sepete ekleme ve işlem gibi etkileşim türleri. Kullanıcılar ürünleri açıkça derecelendirmedikleri ancak bu davranışlar aracılığıyla etkileşimde bulundukları için, bu verileri örtük geri bildirim olarak değerlendirdik.

Örtük verileri ele almada etkinliklerini değerlendirmek için üç farklı öneri modelini test ettik:

1. LightFM : Hem işbirlikçi filtreleme hem de içerik tabanlı yöntemleri kullanan hibrit bir model. Modeli eğitmek için WARP (Ağırlıklı Yaklaşık Sıralamalı Çiftli) kayıp fonksiyonundan yararlandık. Odak noktası, kullanıcının öğelerle olan geçmiş etkileşimlerini analiz ederek bir ürünü görüntüleme olasılığını tahmin etmekti.
2. Cornac BPR (Bayesçi Kişiselleştirilmiş Sıralama) : Kullanıcı etkileşimlerine dayalı olarak öğeleri sıralamak için tasarlanmış, işbirlikçi filtrelemeye dayalı bir modeldir. İlgili öğelerin alakasız öğelere göre sıralamasını optimize ederek kullanıcıların tercihlerini öğrenmek için örtük geri bildirim kullanır.
3. TensorFlow Öneri Sistemleri : Kullanıcıları ve öğeleri temsil etmek için gömme vektörleri kullanan ve aralarındaki karmaşık ilişkileri yakalayan, derin öğrenmeye dayalı bir çerçevedir. Model, örtük etkileşimler üzerinde eğitilir ve her kullanıcı için en alakalı öğeleri tahmin etmek üzere bir arama görevi gerçekleştirir.

Modeller, özellikle hedef davranış olarak görüntüleme olayına odaklanarak, bir kullanıcının bir ürünle etkileşime girme olasılığını tahmin etmek üzere eğitildi. Amacımız, kullanıcıların geçmiş davranışlarına dayanarak hangi ürünlerle etkileşime girme olasılıklarının en yüksek olduğunu tahmin etmekti. Eğitimden sonra, modellerin daha önce görülmemiş etkileşimlere iyi bir şekilde genelleme yapabildiğinden emin olmak için test verileri kullanarak modelleri değerlendirdik.

Modellerin performansını, tavsiye sistemlerinde yaygın olarak kullanılan üç ölçüte göre değerlendirdik:

• AUC (Eğri Altındaki Alan) : Modelin ilgili öğeleri ilgisiz öğelerden daha yüksek sıralamada ne kadar başarılı olduğunu değerlendiren bir ölçüt. 1'e yakın bir AUC puanı, daha iyi sıralama performansını gösterir.
• Precision@10 : Önerilen ilk 10 öğeden kaçının gerçekten alakalı (yani kullanıcı tarafından etkileşimde bulunulan) olduğunu ölçer. Daha yüksek değerler, daha iyi öneri doğruluğunu gösterir.
• Recall@10 : Kullanıcının etkileşimlerinden elde edilen ilgili öğelerin ilk 10 öneri arasında kaç tane göründüğünü ölçer. Bu metrik, modelin kullanıcı tercihlerini ne kadar iyi yakaladığını anlamak için çok önemlidir.

Bu üç modeldeki ölçütleri karşılaştırarak, hem ilgili öğeleri sıralama hem de bu öğeleri en iyi önerilerde doğru bir şekilde bulma açısından en iyi performansı gösteren modeli belirledik.

Referans Linkleri

1.

How retailers can keep up with consumers | McKinsey

McKinsey & Company

2.

Netflix Research

3.

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

4.

The AI behind unconnected content recommendations on Facebook and Instagram

5.

Health. Powered by Ada.

6.

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

7.

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

Google Cloud

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.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder