Öneri sistemi kurma: aday üretiminden sıralamaya mühendislik adımları

Öneri sistemi nedir, ne için kurulur?

Öneri sistemi (recommendation engine), bir kullanıcıya, geçmiş davranışlarına ve diğer kullanıcıların davranışlarına bakarak ilgisini çekebilecek ürün, içerik ya da eylemleri sıralayıp sunan sistemdir. E-ticarette "bunu alanlar şunları da aldı", yayın platformlarında "sıradaki izlenecek", haber sitelerinde "sizin için seçtiklerimiz" bu sistemlerin ürünüdür.

Kurulum öncesinde şu sorulara net cevap verilmelidir: Neyi öneriyoruz (ürün, içerik, kişi)? Nerede gösteriyoruz (ana sayfa, ürün sayfası, sepet, e-posta)? İşletme olarak neyi iyileştirmek istiyoruz (tıklama, dönüşüm, izlenme süresi, sepet büyüklüğü)? Yanıtlar, hangi veriye ihtiyaç duyulacağını, hangi yöntemin uygun olacağını ve başarının nasıl ölçüleceğini belirler.

Veri: etkileşim kaydı ve katalog bilgisi

Öneri sisteminin ham maddesi, kullanıcı ile öğe arasındaki etkileşimlerdir: görüntüleme, tıklama, sepete ekleme, satın alma, beğeni, izleme süresi, puan. Her etkileşim kullanıcı, öğe, zaman ve bağlam bilgisiyle kaydedilir.

Etkileşimler açık (puan, beğeni) ya da örtük (tıklama, izleme süresi) olabilir. Örtük sinyaller çok daha boldur ama gürültülüdür: bir tıklama beğeni demek değildir. Bu yüzden sinyallere ağırlık verilir: satın alma, tıklamadan daha güçlü bir tercih işaretidir.

Katalog tarafında öğe özellikleri gerekir: kategori, marka, fiyat aralığı, metin açıklaması, görsel. Kullanıcı tarafında ise profil bilgisi ve tercih verisi kullanılabilir.

Veri hazırlığında dikkat edilecekler: • Bot ve test trafiğini ayıklayın • Zaman damgalarını doğru kaydedin; modeli eğitirken gelecekteki bilgiyi geçmişe sızdırmayın • Kimlik birleştirme: aynı kişinin farklı cihazdaki oturumlarını eşleştirin • Kişisel veri için izin ve saklama kurallarını belirleyin

Yaklaşımlar: işbirlikçi, içerik tabanlı ve hibrit

İşbirlikçi filtreleme, benzer davranan kullanıcıların benzer şeyleri beğendiği fikrine dayanır. Kullanıcı-öğe etkileşim matrisinden ya da bu matrisin gömme (embedding) vektörlerine ayrıştırılmasından öğrenilir. Öğe bilgisini bilmesine gerek yoktur; yalnızca davranışa bakar. Güçlü yanı beklenmedik ama isabetli öneriler üretebilmesi, zayıf yanı yeni kullanıcı ve yeni öğe için veri bulunmamasıdır.

İçerik tabanlı yaklaşım, bir öğenin özelliklerini kullanır: kullanıcının beğendiği öğelere benzer özelliklerde öğeler önerilir. Yeni öğeler için de çalışır, ama kullanıcıyı mevcut ilgi alanlarına hapsedebilir.

Hibrit sistemler ikisini birleştirir ve çoğu üretim sistemi bu yaklaşımı kullanır. Ayrıca basit bir temel çizgi her zaman kurulmalıdır: en popüler öğeler ya da en çok birlikte satın alınanlar. Karmaşık bir modelin bu basit temel çizgiden gerçekten iyi olduğunu ölçmeden kullanmak yanıltıcıdır.

Soğuk başlangıç (cold start) sorunu için çözümler: yeni kullanıcıya popüler ve kategori bazlı öneri, kısa bir tercih anketi, bağlamsal sinyaller (cihaz, saat, konum), yeni öğeler için içerik özelliği tabanlı öneri ve kontrollü keşif alanı.

Çok aşamalı hat: aday üretimi ve sıralama

Katalog çok büyükse her kullanıcı için tüm öğeleri puanlamak mümkün değildir. Üretim sistemleri bu yüzden aşamalı çalışır.

Aday üretimi: hızlı ve geniş bir ilk eleme. Benzer öğe aramaları, kullanıcı gömme vektörüne en yakın öğeler, popüler öğeler ve kullanıcının son etkileşimlerine bağlı öğeler gibi birkaç kaynak birlikte kullanılır; sonuç yüzlerce öğelik bir liste olur.

Sıralama modeli: bu adayları daha zengin özelliklerle ayrıntılı puanlar. Kullanıcı özellikleri, öğe özellikleri, bağlam (cihaz, saat) ve kullanıcı-öğe çapraz özellikleri girdi olur; model tıklama ya da satın alma olasılığını tahmin eder.

Yeniden sıralama ve iş kuralları: puanlı liste doğrudan sunulmaz. Stokta olmayan ürünleri çıkarmak, kullanıcının zaten satın aldığını çıkarmak, çeşitlilik sağlamak (aynı kategoriden çok fazla öğeyi arka arkaya göstermemek), yasaklı içerikleri filtrelemek, kampanya ve marj önceliklerini uygulamak bu katmanda yapılır.

Gerçek zamanlı sinyaller ve sunum katmanı

Kullanıcı sitedeyken yaptığı son tıklamalar, öneriyi o anda değiştirebilir. Bunun için farklı hız katmanları birlikte çalışır: modeller gece ya da belirli aralıklarla toplu olarak eğitilir ve gömme vektörleri güncellenir; oturum içi davranışlar ise hızlı bir özellik deposundan anlık okunup sıralamaya girdi olur.

Sunum tarafında şu noktalar önemlidir: • Gecikme: öneri çağrısı sayfanın yüklenmesini yavaşlatmamalı; önbellek ve önceden hesaplanmış listeler kullanılabilir • Yedek mekanizma: model ya da özellik deposu çökerse popüler öğelere düşen bir geri dönüş planı olmalı • Açıklanabilirlik: "bunu izlediğiniz için" gibi kısa gerekçeler güven ve tıklamayı artırabilir • Geri bildirim toplama: gösterim, tıklama ve satın alma kayıtları bir sonraki eğitim için yeniden sisteme dönmeli

Dikkat edilecek tuzak, öneri sisteminin kendi etkisini görmemesidir: sistem bir öğeyi sık gösterirse o öğe daha çok tıklanır, model de onu daha çok önerir. Rastgele keşif payı ve düzenli değerlendirme bu geri besleme döngüsünü kırar.

Değerlendirme: çevrimdışı ve çevrimiçi

Çevrimdışı değerlendirmede geçmiş veri zamana göre bölünür; model geçmişle eğitilip daha sonraki dönemde kullanıcıların gerçekten etkileştiği öğeleri öneri listesinin üst sıralarında bulup bulamadığı ölçülür. Kullanılan ölçütler arasında önerilen ilk öğeler içindeki isabet oranı, sıralama kalitesi ölçüleri ve katalog kapsama oranı yer alır.

Çevrimdışı sonuçlar yardımcıdır ama yeterli değildir; asıl karar çevrimiçi A/B testiyle verilir. Yeni sistem, kullanıcıların bir kısmına gösterilir ve işletme ölçütleri (dönüşüm, gelir, izlenme süresi, geri dönüş) kontrol grubuyla karşılaştırılır. Önerinin tıklamayı artırıp memnuniyeti ya da uzun vadeli geliri düşürüp düşürmediğine de bakılmalıdır.

Yalnızca doğruluğa değil, çeşitlilik, yenilik ve adalet gibi yan ölçütlere de bakın. Sürekli aynı popüler öğeleri öneren bir sistem teknik olarak isabetli olsa da kullanıcıyı ve kataloğu zayıflatır.

Operasyon, gizlilik ve Mindset bağlamı

Canlıya çıktıktan sonra modellerin düzenli yenilenmesi, veri kalitesinin izlenmesi, kaymanın (kullanıcı davranışının değişmesi) takibi, sürüm yönetimi ve geri dönüş planı gerekir. Kullanıcı verisi kullanıldığı için KVKK kapsamında aydınlatma, izin ve saklama kuralları baştan tasarlanmalı; kullanıcının önerileri kapatabilmesi ve verisini silebilmesi mümkün olmalıdır.

Mindset kataloğundaki Gerçek Zamanlı Öneri Sistemi Altyapısı eğitiminin modül başlıkları öneri sistemi mimarisi, aday üretimi, sıralama modeli ve özellikler, gerçek zamanlı sinyaller, sunum katmanı ve iş kuralları, değerlendirme ve operasyondur. Yapay Zeka ile Kişiselleştirilmiş İçerik eğitimi ise öneri sistemleri mimarisini kullanıcı verisi, içerik üretimi ve çok kanallı kişiselleştirme bağlamında ele alır.