Öneri Sistemleri

Öneri sistemleri bir kullanıcı için kullanılabilecek öneriler veren yazılım ve tekniklerdir. Öneriler hangi ürünlerin satılabileceği, hangi müziklerin dinlenebileceği, hangi kitapların okunabileceği, hangi filmlerin izlenebileceği gibi çeşitli kararları bir takım teknikler kullanılarak üretilir.

ÖNERİ SİSTEMLERİ

“Ürün” sistemin kullanıcalara ne önerdiğini belirtmek için kullanılan genel terimdir. Öneri sistemleri belirli bir ürünü ele alır ve onun içeriği, tasarımı, kullanıcı etkileşimi gibi bir çok özelliklerini ele alır ve bunları öneri teknikleriyle işleyerek kullanıcıya o ürünle alakalı etkili ve kullanışlı öneriler sunar.

Öneri sistemleri öncelikle o ürün ile ilgili tecrübesiz kişiler ve binlerce alternatif ürün arasında karşılaştırma yapılmaması için kullanılır.Örnek verecek olursak, kullanıcıların film seçmelerine yardımcı olacak film öneri sistemleridir.Dünya genelinde popüler olan Amazon.com’da her bir müşteri için online alışveriş mağazasını kişileştirmek için öneri sistemlerini kullanmaktadır.Tavsiyeler veya öneriler kişiselleştiği için her kullanıcı veya kullanıcı grupları farklı öneriler alırlar.Ayrıca kişiselleştirilmemiş önerilerde vardır.Bunları üretmek çok daha basittir.Örnek olarak, editörler tarafından seçilmiş ilk on seçimlerinin yer aldığı listelerdir. Kişiselleştirilmemiş öneri sistemleri bazı durumlarda yararlı olsa da öneri sistemleri konusu altında incelenmezler.

Basitçe, kişiselleştirilmiş öneriler sıralı listeler olarak sunulmaktadır.Bu sıralama yapılırken, öneri sistemleri kullanıcının tercihlerine ve seçimlerine dayanarak en uygun ürünleri tahmin etmeye çalışır.Böyle bir öneri yapabilmesi için sistemler ya kullanıcalardan ürünleri derecelendirmesi (puanlama gibi) ya da kullanıcının hareketlerini yorumlayarak kullanıcı hakkında bilgi toplar. Mesela, öneri sistemi kullanıcının hareketlerini yorumlayarak kullanıcıyı başka ürünlere yönlendirebilir.

Öneri sistemlerinin gelişimi basit gözlemlerle başlamıştır.Bireyler genellikle rutin ve günlük kararlar verirken başkalarının tavsiyelerine güvenirler.Örneğin film izlemek için seçim yaparken filmin eleştirilerini ve insanların yorumlarını , işe alım yapılırken tavsiye mektuplarını, kitap seçerken kitap zevkine güvendiğiniz arkadaşınızın tavsiyelerine güvenir ve genellikle bu tavsiyeleri uygularız.

Öneri sistemleri bu gibi davranışları taklit etmeye çalışarak, kullanıcı topluluğunun ürettiği önerileri ilgili bir kullancıya önermek için teknikler ve algoritmalar kullanmaktadır.Öneriler benzer kullanıcıların beğendikleri ürünler içindir.Davranışsal filtreleme olarak bilinen bu yönteme göre aktif kullanıcı önceden diğer kullanıcıların bazılarıyla ortak ürünleri beğendiyse, bu kullanıcılardan gelen diğer tavsiyeler ve beğeniler aktif kullanıcı için ilgi çekici olmalıdır.

E-ticaret siteleri gelişip büyümeye başladıkça belirli bir ürün için alternatiflerin filtrelenmesi bir ihtiyaç oldu.Çünkü kullanıcılar bu sitelerin sunduğu kapsamlı ve birçok öneri arasından seçim yaparken zorlanmaya başladı.

Büyük hızda artan internetteki bilgi çeşitliliği ve iş modelleri (e-alışveriş, e-ticaret, ürün karşılaştırması) kullanıcıları rahatsız etmeye başladı ve kullanıcıların kötü kararlar vermelerine yol açtı.Yarar ve fayda üretmek yerine bir çok seçenek sunulması kullanıcıların etkileşimini azalttı.Seçim yapmak iyi birşey olsada bir çok seçeneğin bulunması karar vermeyi zorlaştırdığı ve çok vakit kaybettirdiği için iyi birşey olmadığı anlaşıldı.Aslında seçim yapma özgürlüğü ve kendince karar vermek özgürlük gibi hissedilse de bu özgürlükler aşırılığa sebebiyet verdiği için birçok kötü etkisiyle karşılaşınabilir.

Öneri sistemlerinin aşırı bilgi yükü probleminin üstesinden gelebilecek değerli bir araç olduğu kanıtlandı.Sonuçta öneri sistemleri kullanıcıyı ilgi alanlarına göre yeni ve daha önce karşılaşmadığı ürünlere yönlendirebilir.Kullanıcının istediği üzerine, veritabanında tutulan kullanıcı verileri, uygun ürünler ve kullanıcın önceki hareketleri baz alınarak kullanıcının ihtiyaç ve seçimlerine göre öneriler üretilir.Kullanıcı bu önerilere bakıp karar verebilir.Kullanıcı önerileri beğenebilir yada beğenmeyebilir, hemen yada bir sonraki aşamada kullanabilir ancak kullanıcının bütün hareket ve işlemleri daha sonra kullanılmak üzere veritabanına kaydedilir.

Öneri sistemlerini aktif bir şekilde kullanan şirketler

Öneri sistemleri diğer araştırma alanlarına göre oldukça yenidir.1990’ların ortalarında bağımsız bir araştırma alanı olarak ortaya çıkmıştır. YouTube, Facebook, Amazon, Netflix gibi dünya çapındaki sitelerde önemli role sahiptir.Birçok medya şirketi abonelerine sundukları bir hizmet olarak öneri sistemleri geliştirmektedir.Örneğin, çevrimiçi film kiralama hizmeti veren Netflix, öneri sistemlerini %10 geliştiren ilk takıma milyon dolarlık ödül vermiştir.

Öneri sistemlerinde satışların arttırılması ilk amaçtır.Sonuçta öneri sistemleri genellikle ticaretle uğraşan ve satış yapanların karlarını arttırmak için kullandığı bir sistemdir. Dikkatlice seçilmiş ürünleri kullanıcılara önererek kullanıcıların dikkati çekilir ve bu sayede satış hacmi ve kar arttırılır. Bu amaç için kullanılan genel teknikler ise şunlardır:

• Benzerlik(Alaka): Öneri sistemlerinin en belirgin amacı kullanıcıya en kişiselleştirilmiş önerileri verebilmektir. Çünkü kullanıcıların ilginç buldukları ürünleri satın alma ve tüketme olasılığı yüksektir.Benzerlik en belirgin amaç olsada tek başına yeterli değildir.

• Yenilik: Tavsiye edilen ürünler kullanıcının daha önce görmediği ürünler olursa bu öneriler daha etkili olmaktadır.Örneğin sürekli tavsiye edilen popüler filmler kullanıcılar tarafından ilgi çekici bulunmamaktadır.

• Keşfetme: Önerilen ürünün beklenmedik ve ilgi çekici olması kullanıcının ilgisini cezbeder ve keşfetme duygusunu yaşattırır.Keşfetme özelliği genellikle önerilen ürünün kullancının daha önce bilmediği bir ürün olmasından ziyade kullanıcıya gerçekten şaşkınlık veren ürün önermektir.Örneğin mahallede yeni bir Çin lokantası açılıyorsa, bu restoranın Çin yemeklerini yiyen birisine önerilmesi yeniliktir ancak keşif değildir.Diğer yandan bu restoran bir Meksikalıya önerilirse ve Meksikalı bu tür bir öneri beklemiyorsa bu keşfetmektir.Keşfetme özelliği satışları arttırmasından öte ayrıca yeni bir akım başlatmaktadır.Tamamen yeni ilgi alanları keşfetme sebebiyle, satıcı için uzun vadade fayda sağlamaktadır.

• Öneri çeşitliliği arttırma: Öneri sistemleri genellikle diğer kullanıcılar tarafından en çok beğeniler ürünleri önermektedir.Ancak önerilen ürünlerin benzer oluşu, kullanıcıların bunlardan bunalmasına yol açabilir.Eğer öneriler farklı türde ürünler içerirse bu öneriler kullanıcı tarafından beğenme olasılığı daha yüksektir.Çeşitlilik, kullanıcıya sürekli aynı ürünlerin önerilmesinin önüne geçmek için önemli bir özelliktir.

Öneri Sistemleri Teknikleri

Öneri sistemleri temel işlevlerini yeri getirmek ve etkili öneriler yapabilmek için ürünü tavsiye etmeye değer bulması gerekmektedir.Sistemin bunu yapabilmesi için ürünün özelliklerini bilmeli, diğer ürünlerle karşılaştırdıktan sonra hangi ürünün önerileceğine karar vermesi gerekir.

İçerik Bazlı Öneri Filtreleme Sistemleri

İçerik bazlı öneri sistemlerinde ürünlerin tanımlayıcı niteliklerine göre öneride bulunulur. “İçerik” terimi bu açıklamalara karşılık gelmektedir.İçerik tabanlı yöntemlerde derecelendirme ve kullanıcı davranışları ürünlerin içerik bilgileri zaman zaman birleştirilsede genellikle ürün içerik bilgilerine dayalı öneriler yapılır.Mesela herhangi bir filmin derecelendirme yada puanlaması bulunmadığında içerik bilgilerinde geçen kelimeler tespit edilir ve içerik bilgilerinde bu kelimelerin kullanıldığı filmler kullanıcıya önerilir.

İçerik bazlı öneri sistemlerinde derecelendirilen ürün açıklamaları öneri yapılabilmesi için veri olarak kullanılır.Her kullanıcı için bu veriler kullanıcın derecelendirdiği yada satın aldığı ürünler olarak kaydedilir.Bu veriler kullanıcaya özel kişiselleştirilmiş modeller kurmak için kullanılır.Bu model, kullanıcının satın alma ve derecelendirme davranışının bilinmediği durumlarda hangi ürünü beğenebileceğini öngörmek için kullanılır.

İçerik bazlı öneri sistemleri, ürünlerin derecelendirmesinin yeterli olmadığı durumlarda kullanılması oldukça faydalı ve etkili olarak görülür.Bunun nedeni, diğer benzer ürünlerden herhangi birisinin kullanıcı tarafından derecelendirilme ihtimalidir. Dolayısıyla, ürün için derecelendirme henüz yapılmamışsa ürün açıklamaları öneri sistemleri tarafından kullanıcalara öneriler verilebilir.

İçerik bazlı yöntemlerin birkaç dezavantajı vardır:

• Çoğu durumda, içerik tabanlı öneri sistemleri anahtar kelimeleri veya içerik ile bilgileri kullanarak tavsiyelerde bulunur.Örneğin, kullanıcı belirli bir anahtar kelime içeren bir ürün beğenmediyse yada satın almadıysa, bu tür bir ürün önerilme şansı yoktur.Bu yüzden öneri çeşitliliği azalmaktadır ve bu istenmeyen bir durumdur.

• İçerik bazlı öneri sistemleri yeni ürünleri için kullanıcılara öneriler üretmekte iyi olsa da yeni kullanıcılar için öneriler sunmada etkili değildir. Bunun sebebi, bu modelin kullanıcının derecelendirmesine ihtiyaç duymasıdır. Hatta alakasız öneriler yapılmaması için kullanıcının birçok derecelendirmesine ihtiyaç duyulmaktadır.

Bazı durumlarda ise kullanıcılar kendi profillerinde alakalı anahtar kelimeler belirleyebilir ve bu kelimelere göre öneriler yapılabilir.Böyle bir yaklaşım kullanıcı derecelendirmesine ihtiyaç duymaz ve yeni açılan, çok kullanıcıya sahip olmayan sitelerin ilk zamanlarında kullanılmaya müsaittir.

Davranışsal Öneri Filtreleme Sistemleri

Davranışsal öneri sistemlerinin esas noktası kişilerin kendi zevklerine benzer birinden sıklıkla en iyi tavsiyeleri almasından gelir.Davranışsal filtreleme, benzer ilgi alanlarına sahip kişileri eşletirerek, buna dayalı öneriler üretmek için kullanılan teknikleri kapsar.

Davranışsal öneri sistemleri, öneri yapmak için birden çok kullanıcı tarafından sağlanan derecelendirme verilerini kullanır. Bu yöntemdeki asıl sorun derecelendirme yapılmayan ürünlerin çoğunlukta olmasıdır.Mesela filmlerin kullanıcılar tarafından beğenilip beğenilmediğine göre öneri veren bir örnek düşünürsek, çoğu kullanıcı mevcut olan tüm filmlerin sadece ufak bir kısmını izleyip derecelendirecektik.Sonuç olaraksa filmlerin yüksek bir oranı derecelendirilmemiş olacaktır.

Davranışsal öneri sistemlerinin temelinde derecelendirilmemiş ürünleri diğer kullanıcı derecelendirmelerine bağlı olarak önermek vardır.Mesela Ali ve Ayşe’nin benzer ürünleri beğendiğini varsayalım.İkisinin aynı zevke sahip olduğunu söylersek bu durumda yalnızca birinin beğendiği ürünü diğerine önerilebiliriz.Bu yöntem derecelendirilmemiş ürünler hakkında bilgi çıkarımı yapmak için kullanılabilir. Davranışsal öneri sistemlerinde yaygın olarak kullanılan iki yöntem vardır:

1) Belleğe Dayalı Yöntemler: Belleğe dayalı yöntemler ayrıca komşuluk bazlı davranışsal öneri filtreleme sistemleri olarakta bilinir. Bunlar kullanıcı-ürün derecelendirilmesinin komşuluğa bağlı olduğu bilinen en eski öneri sistemleri arasında yer alır.Komşuluk ilişkisi iki şekilde açıklanabilir:

• Kullanıcı bazlı davranışsal filtreleme: Bu durumda hedef kullanıcı ile aynı derecelendirmelere sahip kullanıcıların diğer ürünlerdeki derecelendirmeleri kullanılır.

• Ürün bazlı davranışsal filtreleme : Bu durumda kullanıcın derecelendirdiği ürünlere benzer ürünler önerilir.

Belleğe dayalı yöntemlerin uygulanması kolay olduğu için ortaya çıkan önerileri açıklamak bir nebze kolaydır.Öte yandan seyrek derecelendirmenin olduğu ürünlerde çok iyi çalışmaz.

2) Model Dayalı Yöntemler: Bu yöntemlerde makine öğrenimi ve veri madenciliği yöntemleri kullanılır. Bu yöntemlere örnek olarak karar ağaçları, kural tabanlı modeller gösterilebilir.

Belleğe dayalı yöntemler basit olsada daha çok tahminsel öneriler üreterek tüm durumlarda çalışmazlar.Bununla birlikte belleğe dayalı ve modele dayalı yöntemleri arasındaki ayrım yapaydır, çünkü bellek dayalı yöntemler benzelik tabanlı modeller olarakta düşünebilir.

Davranışsal (solda) filtreleme ve içerik bazlı(sağda) filtreleme

Demografik Bazlı Öneri Sistemleri

Bu tür sistemler demografiye dayalı ögeleri önermektedir.Öneriler kullanıcıların dillerine veya ülkerine göre üretilirler.Bu yaklaşım oldukça popüler olmasına rağmen öneri sistemleri başlığı altında araştırması nispeten az olmuştur.

Bilgi Tabanlı Öneri Sistemleri

Bilgi tabanlı sistemler ürünleri, özelliklerinin kullanıcıların ihtiyaç ve tercihlerini nasıl karşıladıklarını ve kullanıcılara nasıl fayda sağlayacağını benimseyen öneri sistemleridir. Bu sistemlerin çoğu olaylara dayalıdır.Bu sistemlerde benzerlik fonksiyonları kullanıcının önerilerle ne oranda eşleştiğini kullanır.Yani benzerlik kullanıcı için önerinin faydası olarak düşünülebilir.

Hibrid Öneri Sistemleri

Bu öneri sistemi yukarda bahsedilen öneri sistemlerinin birleşimidir. Hibrid sistemler öneri sistemlerinin dezavantajlarını ortadan kaldırmak için diğer öneri sistemlerinin avantajlı olduğu alanları kullanır.Örneğin davranışsal öneri sistemleri herhangi bir derecelendirmesi olmayan ürünleri öneremez. İçerik bazlı öneri algoritmasındaysa bunun tersi olarak derecelendirmeler değerlendirmeye katılmadan öneri yapılır.Hibrid öneri sisteminde bu sistemlerin dezavantajlarını ortadan kaldırılarak daha verimli bir öneri sistemi ortaya çıkmıştır.

İzinsiz veya kaynak göstermeden makaleyi paylaşmayınız!

Kaynakça

• Recommender System [online] https://en.wikipedia.org/wiki/Recommender_system
• A. Toscher, M. Jahrer, and R. Bell, “The BigChaos solution to the Netflix grand prize,” www.netflixprize.com/assets/GrandPrize2009_BPC_BigChaos.pdf 2009
• F.O.Isinkaye, 2015, Recommendation systems: Principles, methods and evaluation, phD, Cairo University
• KORBUT, Daniil, Recommendation System Algorithms, [online] , https://blog.statsbot.co/recommendation-system-algorithms-ba67f39ac9a3
• AGGARWAL, Charu C, 2016, Recommender Systems: The Textbook, Springer, ISBN-13: 978-3319296579
• JANNACH, Dietmar, 2015, Recommender Systems: An Introduction, Cambridge, ISBN-13: 978-0521493369