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 kıyasladık.

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. Ayrıca bu kütüphaneler, verileri analiz etmek ve kalıpları ortaya çıkarmak için makine öğrenimi model'leri uygular; böylece öneri motoru, kullanıcı davranışına ve tercihlerine dayalı olarak ilgili öğeleri önerebilir.

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'den daha iyiydi. Cornac BPR en düşük öneri kalitesine sahipti, bu da onu hızlı deneyler veya küçük ölçekli uygulamalar için daha uygun hale getiriyor.

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

Öneri sistemi nedir?

Öneri sistemi (veya tavsiye sistemi), kullanıcılara tercihleri, davranışları ve bir platformla etkileşimlerine dayalı kişiselleştirilmiş öneriler sunmak için tasarlanmış bir araçtır. Bu sistemler, satın alma geçmişi, tarama geçmişi, kullanıcı demografisi ve bağlamsal bilgiler gibi verileri analiz ederek ilgili içeriği sunar. Aşağıda en yaygın öneri sistemi türleri verilmiştir:

İşbirlikçi filtreleme teknikleri:

• Kullanıcılar ve öğeler arasındaki etkileşim kalıplarına dayanır.
• Kullanıcı tabanlı işbirlikçi filtreleme (benzer kullanıcıları bulma) ve öğe tabanlı işbirlikçi filtreleme (benzer öğeleri bulma) içerir.
• e-ticaret ve akış hizmetleri için en uygundur.

İçerik tabanlı filtreleme teknikleri:

• Öğelerin özniteliklerine (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.
• Daha iyi tahminler için derin sinir ağları ve tekrarlayan sinir ağları gibi makine öğrenimi model'lerinden yararlanır.

Öneri sistemleri temel kavramları

Matris faktörizasyonu temelleri

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

Bu yaklaşım, veri karmaşıklığını azaltmaya ve belirli türler için kullanıcı tercihi veya bir öğenin belirli bir gruba 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, incelikli öğe özelliklerini sayısal bir vektörde yakalayarak manuel etiket bakımı olmadan daha doğru benzerlik eşleştirmesi sağlar.

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

Örtük veriyi anlamak

Örtük veri, yıldız puanları gibi açık geri bildirim yerine davranışlardan elde edilen, kullanıcı tercihlerinin dolaylı göstergelerini ifade eder. Örtük veri örnekleri arasında tıklama oranları, bir sayfada geçirilen süre, satın alma geçmişi ve arama kalıpları bulunur.

Bu tür verileri ölçekli olarak toplamak daha kolaydır ve genellikle gerçek dünya etkileşimini yansıtır. Ancak gürültülü veya belirsiz olabilir; örneğin uzun bir sayfa ziyaretinin ilgi mi yoksa dikkat dağınıklığı mı gösterdiğini yorumlamak zor 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 bağlama duyarlı öneriler için etkilidir.

Bu yöntemler, metin, görüntü ve videolar gibi büyük ve yapılandırılmamış verileri işleyebilir ve özellikler arasındaki karmaşık ilişkileri öğrenebilir.

Hibrit öneri yaklaşımları

Hibrit öneri sistemleri; işbirlikçi filtreleme, içerik tabanlı filtreleme ve bilgi tabanlı yaklaşımlar gibi farklı teknikleri birleştirir. Bu entegrasyon doğruluğu artırır ve soğuk başlangıç sorunu (yeni kullanıcılar veya öğeler) ve seyrek veri gibi zorlukları ele alır.

Öneri sistemleri için uygulanabilir alanlar

Neredeyse her işletme bir öneri sisteminden yararlanabilir. Bir işletmenin teknolojiden elde edebileceği fayda düzeyini belirleyen iki önemli unsur vardır.

• Verinin genişliği: Farklı şekillerde davranan yalnızca bir avuç müşteriye hizmet veren bir işletme, otomatik bir öneri sisteminden çok fazla fayda sağlamaz. İnsanlar, birkaç örnekten öğrenme konusunda makinelerden hâlâ çok daha iyidir. Bu gibi durumlarda çalışanlarınız, doğru önerilerde bulunmak için mantıklarını ve müşterilere ilişkin niteliksel ve niceliksel anlayışlarını kullanacaktır.
• Verinin derinliği: Her müşteri hakkında tek bir veri noktasına sahip olmak da öneri sistemleri için yararlı değildir. Müşterilerin çevrimiçi faaliyetleri ve mümkünse çevrimdışı satın alımları hakkındaki derin veriler, doğru önerilere rehberlik edebilir.

Öneri sistemlerinin uygulandığı en yaygın sektörlerden bazıları şunlardır:

e-ticaret

e-ticaret platformları, kullanıcılara ilgili ürünleri önererek alışveriş deneyimini geliştirmek için öneri sistemlerinden yararlanır.

Bu sistemler, “Bu ürünü satın alanlar bunu da satın aldı” veya “Sıklıkla birlikte satın alınanlar” gibi öğeleri önermek için geçmiş satın almaları, tarama geçmişini ve tercihleri analiz eder.

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

Gerçek hayattan örnek: Amazon

Amazon.com, web sitelerinin çoğu sayfasında ve e-posta kampanyalarında öğeden öğeye işbirlikçi filtreleme önerileri kullanır. McKinsey'e göre, Amazon satın almalarının %35'i öneri sistemleri sayesindedir.²

Eğlence

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

Gerçek hayattan örnek: Netflix

Netflix, şov ve film önermek için işbirlikçi filtreleme ve içerik tabanlı filtrelemenin bir kombinasyonunu kullanır; izlenen içeriğin %80'i öneriler sayesinde izlenir.

Netflix Prize, Netflix tarafından Ekim 2006'da film öneri sistemini geliştirmek amacıyla başlatılan bir yarışmaydı. Yarışma, Netflix'in mevcut öneri algoritmasına kıyasla tahmin doğruluğunda en az %10 iyileştirme sağlayabilen takıma veya bireye 1 milyon dolarlık ödül sunuyordu.³

Gerçek hayattan örnek: Spotify

Spotify her hafta, her abone için kullanıcıların benzersiz müzik zevklerine dayalı 30 şarkıdan oluşan kişiselleştirilmiş bir çalma listesi olan “Discover Weekly” adlı yeni bir liste oluşturur. Bir müzik zekası ve veri analitiği girişimi olan Echo Nest'i satın almaları, üç farklı türde öneri model'leri kullanan bir müzik öneri motoru oluşturmalarını sağladı:⁴

• İşbirlikçi filtreleme: Kullanıcıların geçmiş dinleme verilerini diğer kullanıcıların dinleme geçmişiyle karşılaştırarak şarkıları filtreleme.
• Doğal dil işleme: Belirli sanatçılar ve şarkılar hakkında bilgi için interneti kazıma interneti. Daha sonra her sanatçı veya şarkıya, günlük olarak değişen ve alaka düzeyine göre ağırlıklandırılan dinamik bir üst terimler listesi atanır. Motor daha sonra iki müzik parçasının veya sanatçının benzer olup olmadığını belirler.
• Ses dosyası analizi: Algoritma, tempo, ses yüksekliği, ton ve ölçü işareti dahil olmak üzere her bir ses dosyasının özelliklerini analiz eder ve buna göre önerilerde bulunur.

Sosyal medya

Sosyal medya platformları; kullanıcı etkileşimleri, tercihleri ve bağlantılarına dayalı olarak arkadaşlar, gruplar, sayfalar, gönderiler veya reklamlar önermek için öneri sistemlerini kullanır. Bu öneriler kullanıcı etkileşimini artırır, içerik keşfini teşvik eder ve reklam geliri sağlar.

Meta

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

• İçerik anlama: Görüntü, metin, ses ve video dahil olmak üzere çeşitli içerik türlerini analiz etmek ve yorumlamak için yapay zeka model'lerini kullanarak bunların anlamsal anlamlarını anlama.
• Tercih anlama, getirme ve sıralama: Bireysel kullanıcı ilgi alanlarına en uygun olanları belirlemek ve sıralamak için büyük miktarda içeriği kolayca filtreleyen sistemler geliştirme.

Bu yapay zeka odaklı strateji, Meta'nın kullanıcılara ilgi alanlarını daha derinlemesine keşfetmelerini teşvik etmek ve genel platform etkileşimini artırmak için yakın ağlarının ötesinde ilgi çekici içerikler sunmasını sağlar.⁵

X (eski adıyla Twitter)

X'in öneri sistemi, elle tasarlanmış özellikleri ortadan kaldırarak uçtan uca öğrenilen bir yaklaşımı tercih etmiştir. Kullanıcı geçmişini ve aday gönderileri ayrı ayrı kodlayarak ilgili gönderileri getirmek için iki kuleli bir model kullanır; ardından kullanıcı davranışından doğrudan etkileşim olasılıklarını tahmin eden Grok tabanlı bir transformer kullanarak her öğeyi sıralar.

Tam uygulama, X For-You akış deposunda herkese açık olarak mevcuttur.⁶

Sağlık hizmetleri

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

Gerçek hayattan örnek: Ada Healthcare

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 girebilir. Platformun yapay zeka sistemi, doğruluk ve güvenilirliği sağlamak için tıp uzmanlarından oluşan bir ekip tarafından sürekli olarak optimize edilir.

Ada, bireysel kullanıcılara hizmet vermenin yanı sıra sağlık sonuçlarını iyileştirmeyi amaçlayan kurumsal çözümler de sunar. Bu çözümler; ortakların sağlık kararlarını bilgilendirmesine, triyaj süreçlerini geliştirmesine ve önlenebilir maliyetleri azaltmasına yardımcı olur.⁷

Perakende

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

Gerçek hayattan örnek: Rappi ve Amazon Personalize

Latin Amerika'da talep üzerine teslimat hizmeti sunan Rappi, uygulaması içinde kişiselleştirilmiş bir öneri sistemi uygulayarak müşteri etkileşimini artırmak ve satışları yükseltmek için Amazon Personalize ile işbirliği yaptı.

Amazon Personalize'den yararlanan Rappi, uygulamanın özel bir bölümünde görüntülenen kişiye özel ürün önerileri sunmak için kullanıcı davranışını ve tercihlerini analiz eden “Just For You” (JFY) adlı bir özellik geliştirdi.

Bu kişiselleştirme stratejisi, tıklama oranlarında %102 artış ve kişiselleştirilmiş önerilerden elde edilen gelirde %147 artış sağladı. Ayrıca müşteri etkileşimi iyileşti ve düşük performans gösteren ürünlerin ortaya çıkma sıklığı azaldı.⁸

Finans ve bankacılık

Finans kuruluşları, kullanıcının finansal davranışına ve hedeflerine dayalı olarak yatırım seçenekleri, kredi kartları veya sigorta ürünleri önermek için öneri sistemlerini kullanır. Üretken yapay zekanın finans ve bankacılıkta nasıl kullanılabileceği hakkında daha fazla bilgi edinmek için bankacılıktaki Gen AI kullanım örneklerine göz atın.

Oyun

Oyun platformları; tercihlere, oyun alışkanlıklarına ve sosyal etkileşimlere dayalı olarak oyun içi satın alımlar, yeni oyunlar önermek veya oyuncuları eşleştirmek için öneri sistemlerini kullanır. Bu, oyun deneyimini geliştirir ve gelir sağlar.

Gerçek hayattan örnek: Glance ve Google Cloud

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

Kullanıcı ve oyun verilerini etkileşim verileriyle analiz ederek optimum etkileşim zamanları ve oyun tercihleri gibi kalıpları belirlediler. Bu işbirliği, kullanıcı etkileşimini önemli ölçüde iyileştirdi.⁹

Ayrıca öneri sistemleri; yukarı satış, çapraz satış ve daha yüksek etkileşim oranları sağlayarak önemli gelir fırsatları yaratır. Kişiye özel öneriler sunan bu sistemler, müşteriyi elde tutmayı artırır, uzun vadeli sadakati ve sürekli kullanıcı etkileşimini teşvik eder.

LLM tabanlı öneri sistemleri

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

Bu yaklaşım, geleneksel yöntemlere göre çeşitli avantajlar sunar:

• Anlamsal anlama: Anahtar kelime eşleştirmenin ötesinde, “moral veren ama çok bayat olmayan bir şey” gibi karmaşık doğal dil sorgularını yorumlar.
• Soğuk başlangıç yönetimi: Yeni kullanıcılar, etkileşim geçmişi gerektirmeden tercihlerini doğal dilde tanımlayabilir.
• Açıklanabilir çıktılar: Öneriler için doğal dilde açıklamalar üretir; ancak bunlar model'in iç hesaplamalarından ziyade modelin akıl yürütmesini tanımlar.
• Alanlar arası akıl yürütme: Farklı kategoriler ve içerik türleri arasındaki temel tercihleri belirler.

Gerçek Dünya Örnekleri:

• Netflix, kullanıcı etkileşim geçmişini token'lar olarak ele alan ve transformer tabanlı mimariler uygulayan, kişiselleştirilmiş öneriler için bir temel model geliştirdi.
• Spotify AI DJ, kişiselleştirilmiş yorum ve müzik seçimleri oluşturmak için dinleme geçmişini üretken yapay zeka ile birleştirir.
• Amazon Rufus, doğal dilde ürün keşfi sağlayan üretken yapay zeka destekli bir alışveriş asistanıdır.
• Criteo Agentic Commerce Recommendation Service, sorguları Model Context Protocol (MCP) API üzerinden yönlendirerek yapay zeka alışveriş asistanlarını satıcı envanterlerine bağlar ve gerçek alışveriş davranışına dayalı olarak ürünleri sıralamak için canlı alışveriş sinyallerini uygular.¹⁰
• Wizard, perakendeciler, incelemeler ve içerik kaynakları arasında arama yaparak seçilmiş ilk beş üründen oluşan bir liste döndüren bir yapay zeka alışveriş ajanıdır. Yalnızca belirli perakendeciye özgü önericilerden farklı olarak, kullanıcının tanımladığı ihtiyaçlara göre web genelindeki sonuçları toplar.¹¹
• LinkedIn, akış sıralamasında üretken önericiler ve büyük ölçekli dizi model'leri kullandı. Sistem, her akış bileşeni için ayrı model'ler kullanmak yerine her kullanıcının etkinliğini sürekli bir yolculuğun parçası olarak değerlendirir; böylece farklı platform alanlarındaki davranışların tüm süreç boyunca önerileri etkilemesine olanak tanır.¹²

Bir öneri sistemi kurma

Çoğu şirket mevcut bir çözümü benimsemekten fayda sağlarken, niş kategorilerdeki veya çok yüksek ölçekli şirketler kendi öneri motorlarını geliştirmeyi deneyebilir.

1. Hazır bir çözüm kullanma

Öneri sistemleri, en eski ve en olgun yapay zeka kullanım örneklerinden biridir.

Bu yaklaşımın avantajları arasında hızlı uygulama ve çoğu durumda yüksek doğrulukta sonuçlar yer alır:

• Satıcının bir kod parçacığını eklemek, başlamak için yeterli olabilir.
• Satıcılar, model'lerini geliştirmek için müşterilerinin binlerce işleminden elde edilen verileri anonimleştirilmiş bir şekilde kullandıklarından çözümler genellikle doğru olur.

Doğru sistemi seçmek için farklı sistemlerin etkinliğini hızlıca test etmek amacıyla geçmiş veya daha da iyisi canlı verileri kullanabilirsiniz.

2. Kendi çözümünüzü geliştirme

Bu şu durumlarda mantıklı olabilir:

• daha önce öneri motorlarının kullanılmadığı niş bir alanda olmanız veya
• biraz daha iyi önerilerin iş sonuçlarınızda önemli bir fark yaratabileceği dünyanın en büyük pazaryerlerinden birine sahip olmanız.

Bugün piyasadaki öneri sistemleri; benzer satın alma ve tarama geçmişine sahip müşterilerin gelecekte benzer ürünleri satın alacağı gibi bir mantık kullanır. Böyle bir sistemin çalışması için ya çok sayıda geçmiş işleme ya da kullanıcınızın diğer web sitelerindeki davranışına ilişkin ayrıntılı verilere ihtiyacınız vardır. Bu tür verilere ihtiyacınız varsa, bunları veri pazaryerlerinde arayabilirsiniz.

Daha fazla veri ve daha iyi algoritmalar önerileri iyileştirir. Şirketinizdeki tüm ilgili verileri kullanmanız ve müşteri verilerinizi 3rd taraf verileriyle genişletmeniz gerekir. Düzenli müşteriniz diğer web sitelerinde kırmızı spor ayakkabı arıyorsa, web sitenizi ziyaret ettiğinde neden ona harika bir çift göstermeyesiniz?

3. Kendi çözümlerinizi geliştirmek için bir danışmanla çalışma

Biraz daha iyi bir öneri motoru, bir şirketin satışlarını birkaç yüzde puanı artırabilir; bu da düşük kâr marjlı bir şirketin kârlılığında dramatik bir değişiklik yaratabilir. Bu nedenle, şirket pazardaki mevcut çözüm sağlayıcılarından tatmin edici sonuçlar alamıyorsa, daha iyi öneri motorları geliştirmeye yatırım yapmak mantıklı olabilir.

4. Kendi çözümünüzü geliştirmek için bir veri bilimi yarışması düzenleme

Olası bir yaklaşım, bu tür sistemleri oluşturmak için kalabalığın bilgeliğini kullanmaktır. Şirketler şifrelenmiş geçmiş verileri kullanabilir, veri bilimi yarışmaları düzenleyebilir veya danışmanlarla çalışarak yüksek düzeyde etkili öneriler sağlayan model'ler elde edebilir.

Veri kaymasını ele alma

Embedding'ler ve önbelleğe alınmış öğe dizinleri zamanla güncelliğini yitirebilir ve artık mevcut kullanıcı ilgi alanlarını yansıtmayan önerilere neden olabilir. Drifter gibi araçlar, veri kalitesi sorunlarını ve kaymayı öneri kalitesini etkilemeden önce tespit etmek için canlı öneri pipeline'larını gerçek zamanlı olarak izler.¹³

Bir öneri sistemi nasıl seçilir?

Doğru öneri sistemini seçmek; iş hedeflerinize, mevcut verilere ve elinizdeki teknik kaynaklara bağlıdır. İşte bazı önemli hususlar:

1. Verileriniz üzerinde model değerlendirmesi
   • Kendi dataset'inizde model'leri test etmek, bunların sizin özel bağlamınızda ne kadar iyi performans gösterdiğini görmek için çok önemlidir. Hazır benchmark'lar kullanıcılarınızı, öğelerinizi veya iş hedeflerinizi yansıtmayabilir.
2. Mevcut veri türü
   • Açık veri (puanlar, incelemeler, beğeniler) işbirlikçi filtreleme ile iyi çalışır.
   • Örtük veri (tıklamalar, geçirilen süre, satın almalar) hibrit veya derin öğrenme yaklaşımlarını tercih eder.
3. İş hedefleri
   • Hedefiniz ölçekte kişiselleştirme ise derin öğrenme veya hibrit sistemler en iyi seçeneklerdir.
   • Hızlı deneyler için matris faktörizasyonu gibi daha basit model'ler yeterli olabilir.
4. Ölçeklenebilirlik gereksinimleri
   • Büyük ölçekli platformlar (ör. e-ticaret, akış) genellikle milyonlarca kullanıcı ve öğeyi işleyebilen derin öğrenme tabanlı veya bulutta barındırılan çözümlere ihtiyaç duyar.
5. Alan bilgisi ve kaynaklar
   • Ekibiniz makine öğrenimi uzmanlığına sahip değilse, satıcı çözümlerini kullanmak (ör.neğin, Amazon Personalize, Google Recommendations AI) dağıtımı hızlandırabilir.
   • Yüksek düzeyde uzmanlaşmış alanlar için kurum içi bir çözüm geliştirmek gerekebilir.

İpucu: Hazır kütüphanelerle (LightFM, TensorFlow Recommenders) prototip oluşturarak başlayın ve ölçeklendirmeden önce canlı verilerinizle performansı değerlendirin.

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 sistemini uygulamak doğrudan ve dolaylı maliyetler içerir:

1. Geliştirme süresi: Özel model'ler oluşturmak veri bilimciler, mühendisler ve altyapı ekipleri gerektirir. Geliştirme süresi birkaç haftadan (prototipler için) birkaç aya (üretim sistemleri için) kadar değişebilir.
2. Altyapı maliyetleri:
   • Yerinde: GPU sunucuları, veritabanları ve sürekli bakım gerektirir.
   • Bulut tabanlı: Maliyetler veri boyutuna ve API kullanımına göre ölçeklenir (AWS, GCP, Azure).
3. Satıcı ücretleri: SaaS tabanlı çözümler, API çağrısı sayısına, kullanıcı sayısına veya işlenen veri miktarına göre ücretlendirme yapabilir.
4. Sürekli maliyetler:
   • Model yeniden eğitimi, izleme ve güncellemeler.
   • Daha iyi öneriler için harici veri kaynaklarını entegre etmenin olası maliyetleri.

Temel Kural: Küçük işletmeler SaaS araçlarıyla başlayabilir (<$10k/yıl); kurum içi sistemler geliştiren işletmeler ise genellikle altyapı ve yeteneğe milyonlarca dolar yatırım yapar.

Öneri sistemlerinin etik sonuçları

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

• Önyargı ve adalet: Algoritmalar mevcut önyargıları pekiştirebilir (ör. yalnızca popüler içeriği önerme, çeşitliliği göz ardı etme).
• Gizlilik endişeleri:
  • Kullanıcı verilerinin toplanması ve analiz edilmesi, onay ve veri koruması konusunda endişelere yol açar.
  • GDPR, CCPA ve diğer veri gizliliği yasalarına uyum çok önemlidir.
• Sorumlu veri 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 etkileşimleri olan örtük geri bildirim verilerine dayalı öneri sistemleri oluşturmaya ve değerlendirmeye odaklandık. Analizimizde kullanılan dataset üç temel unsur içerir: visitorid, itemid ve görüntüleme, sepete ekleme ve işlem gibi etkileşim türleri. Kullanıcılar öğeleri açıkça puanlamadığı, bu davranışlar aracılığıyla etkileşimde bulunduğu için bu verileri örtük geri bildirim olarak değerlendirdik.

Örtük verileri işlemedeki etkinliklerini değerlendirmek için üç farklı öneri model'ini test ettik:

1. LightFM: Hem işbirlikçi filtreleme hem de içerik tabanlı yöntemleri kullanan hibrit bir model'dir. Model'i eğitmek için WARP (Weighted Approximate-Rank Pairwise) kayıp fonksiyonundan yararlandık. Odak noktası, kullanıcının öğelerle geçmiş etkileşimlerini analiz ederek bir ürünü görüntüleme olasılığını tahmin etmekti.
2. Cornac BPR (Bayesian Personalized Ranking): Kullanıcı etkileşimlerine dayalı olarak öğeleri sıralamak için tasarlanmış işbirlikçi filtreleme tabanlı bir model'dir. İlgili öğeleri ilgisiz olanlara göre sıralamayı optimize ederek kullanıcı tercihlerini öğrenmek için örtük geri bildirimi kullanır.
3. TensorFlow Recommenders: Hem kullanıcıları hem de öğeleri temsil etmek için embedding'leri kullanan ve aralarındaki karmaşık ilişkileri yakalayan derin öğrenme tabanlı bir framework'tür. Model, her kullanıcı için en ilgili öğeleri tahmin etmeye yönelik bir getirme göreviyle örtük etkileşimler üzerinde eğitilir.

Model'ler, bir kullanıcının bir ürünle etkileşime girme olasılığını tahmin etmek üzere eğitildi; özellikle hedef davranış olarak görüntüleme olayına odaklanıldı. Amacımız, kullanıcıların geçmiş davranışlarına dayanarak hangi ürünlerle etkileşime girme olasılıklarının en yüksek olduğunu tahmin etmekti. Eğitimden sonra, görülmeyen etkileşimlere iyi genelleme yapabildiklerinden emin olmak için model'leri test verileriyle değerlendirdik.

Model'lerin performansını, öneri sistemlerinde yaygın olarak kullanılan üç metriğe dayanarak değerlendirdik:

• AUC (Area Under the Curve): Model'in ilgili öğeleri ilgisiz olanlardan daha üst sıraya koyma başarısını değerlendiren bir metriktir. 1'e yakın bir AUC skoru daha iyi sıralama performansını gösterir.
• Precision@10: Önerilen ilk 10 öğeden kaçının gerçekten ilgili (yani kullanıcı tarafından etkileşimde bulunulan) olduğunu ölçer. Daha yüksek değerler daha iyi öneri doğruluğunu gösterir.
• Recall@10: Kullanıcının etkileşimlerinden ilgili öğelerin kaçının ilk 10 öneri içinde göründüğünü ölçer. Bu metrik, model'in kullanıcı tercihlerini ne kadar iyi yakaladığını anlamak için çok önemlidir.

Bu metrikleri üç model arasında karşılaştırarak, ilgili öğeleri sıralama ve bu öğeleri en iyi önerilerde doğru şekilde getirme açısından en iyi performans gösteren model'i 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  = aug,
  howpublished    = {\url{https://aimultiple.com/recommendation-system}},
  note   = {AIMultiple. Erişim tarihi: 11 Ağustos 2026}
}

Değişiklik günlüğü

7 güncelleme

Tümü7Genel6Metodoloji1

202620252024

1. 19 May

   LightFM eğitim bölümü kaldırıldı ve sosyal medya örneklerine X'in öneri sistemi eklendi.

2. 23 Oca

   LLM Tabanlı Öneri Sistemleri hakkında bir bölüm eklendi.

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

12.

LinkedIn uses AI to improve feed relevance | Social Media Today

13.

Drifter: Efficient Online Feature Monitoring for Improved Data Integrity in Large-Scale Recommendation Systems

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple bünyesinde baş analisttir. Cem'in AIMultiple'daki çalışmaları; Business Insider, Forbes, Morning Brew ve Washington Post gibi önde gelen küresel yayınlar, Deloitte ve HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır. [1], [2], [3], [4], [5] Kariyeri boyunca Cem; teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yaptı. On yılı aşkın süre boyunca McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yaptı. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımladı. CEO'ya rapor verirken bir telekom şirketinin teknoloji stratejisini ve satın alma süreçlerini yönetti. Ayrıca 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetti. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alındı. Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun oldu ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Sıla Ermut

Sektör Analisti

Takip Et

Sıla Ermut, AIMultiple'da yapay zeka model'lerini, yapay zeka altyapısını, yapay zeka yönetişimini ve kurumsal yapay zeka uygulamalarını ele alan bir sektör analistidir. Araştırmaları çoğunlukla yapay zekanın pazarlama, sağlık hizmetleri, tedarik zincirleri ve sürdürülebilirlik alanlarındaki kullanımına odaklanmaktadır.
Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalıştı. Sıla, Sosyal Psikoloji alanında yüksek lisans derecesine 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