Tavsiye Sistemi Nedir?

Netflix'in bir dizi önerdiğini bilirsiniz ve "Nasıl bildi?" diye düşünürsünüz. Veya Amazon size garip bir şekilde mükemmel olan ürünleri gösterdiğinde? Bu iş başında bir öneri sistemi. Temelde sizin (ve sizin gibilerin) geçmişte ne yaptığına bakan ve bundan sonra muhtemelen ne isteyeceğinizi tahmin etmek için bunu kullanan bir yazılımdır.

İyi haber mi? Bir tane oluşturmak için Netflix olmanıza gerek yok. Bir uygulama, blog veya çevrimiçi mağaza geliştiren yalnız bir geliştiriciyseniz kullanıcılarınızın geri gelmelerini sağlayacak öneriler ekleyebilirsiniz. Bu şeylerin gerçekte nasıl çalıştığını sade İngilizce olarak takip edebileceğiniz gerçek örneklerle açıklayalım.

İki Ana Yaklaşım (Gerçek Örneklerle)

Her öneri sisteminin arkasında gerçekte yalnızca iki temel fikir vardır. Bunları anladığınızda geri kalan her şey temanın varyasyonlarından ibarettir.

1. İşbirlikçi Filtreleme: "Sizin gibi kişiler de bunu beğendi..."

Bu yaklaşım benzer kullanıcıların ne yaptığına bakar. Umrunda değilNeiçerik aslında öyle. Sadece davranış kalıplarını fark eder.

Gerçek dünyadan örnek:Bir kitap inceleme uygulaması geliştirdiğinizi varsayalım. A Kullanıcısı #1, #2 ve #3 kitaplarını sevdi. B Kullanıcısı 1. ve 2. kitapları sevdi ancak 3. kitabı henüz görmedi. İşbirlikçi filtreleme şunu söylüyor: "B Kullanıcısı da muhtemelen 3. kitabı sevecektir, çünkü A Kullanıcısıyla aynı zevke sahiptir."

Spotify'ın "Haftalık Keşfet" çalma listesi tam olarak bu şekilde çalışır. Sizinkine benzer dinleme alışkanlıklarına sahip kullanıcıları bulur ve onların sevdiği, sizin henüz duymadığınız şarkıları önerir.

2. İçeriğe Dayalı Filtreleme: "Çünkü Bu Özel Şeyi Beğendiniz..."

Bu yaklaşım, bir kullanıcının etkileşimde bulunduğu şeyin gerçek özelliklerine bakar ve ardından benzer özelliklere sahip daha fazla şey bulur.

Gerçek dünyadan örnek:Bir yemek tarifi uygulaması geliştiriyorsunuz. Bir kullanıcı 30 dakikadan kısa süren vejetaryen makarna tariflerini kaydetmeye devam ediyor. İçerik bazlı filtreleme, henüz başka bir kullanıcı denememiş olsa bile diğer hızlı vejetaryen makarna yemeklerini önerecektir, çünkümalzemeler ve özelliklerbu kullanıcının açıkça tercih ettiği şeylerle eşleşin.

YouTube'un "İlgili Videolar" kenar çubuğu bu şekilde çalışır. İzlediğiniz içeriğin etiketlerine, başlığına ve kategorisine bakar ve ardından benzer özelliklere sahip videoları bulur.

İki Tür Öneri Sistemi

👥

İşbirlikçi Filtreleme
"Sizin gibi kullanıcılar da keyif aldı..." (Spotify, Amazon)

🔍

İçerik Tabanlı Filtreleme
"Çünkü bu öğenin benzer özellikleri var..." (YouTube, Netflix)

🧪

Hibrit (İkisinin En İyisi)
Daha iyi sonuçlar için her ikisini de birleştirin (çoğu büyük uygulamanın yaptığı şey)

📈

Popülerliğe Dayalı (En Kolay Başlangıç)
"Bu haftanın en popülerleri" - kullanıcı verisine gerek yok

⏱️

Gerçek Zamanlı Güncellemeler
Kullanıcılar uygulamanızla etkileşime girdikçe anında uyum sağlayın

Peki ya Gömmeler? (Göründüğünden Daha Basit)

Öneri sistemi eğitimlerinde "gömme" terimini çok duyacaksınız. Kulağa korkutucu geliyor ama fikir son derece basit.

Bunu şu şekilde düşünün: Uygulamanızdaki her kullanıcının ve her öğenin dev bir haritaya yerleştirildiğini hayal edin. Benzer şeylerden hoşlanan kullanıcılar haritada birbirine yakınlaşır. Benzer öğeler de birbirine yakınlaşır. Bir "yerleştirme", bir kullanıcının veya öğenin o haritadaki koordinatlarıdır (konumu).

Gerçek dünyadan örnek:Bir müzik uygulamasında caz, blues ve soul dinleyen bir kullanıcı, haritada bu türlerin yakınına yerleştirilecektir. Metal ve punk dinleyen bir kullanıcı bambaşka bir alanda olacaktır. Yeni bir caz albümü çıktığında sistem harita üzerinde hangi kullanıcıların caza "yakın" olduğunu kontrol ediyor ve onlara öneriyor.

Tek Başınıza Bir Uygulama Geliştiriyorsanız Bu Neden Önemlidir?

Yalnız bir geliştiriciyseniz, basit bir öneri sistemi eklemek bile kullanıcıların ilgisini canlı tutma konusunda oyunun kurallarını değiştirebilir. İşte nedeni:

Kullanıcılar daha uzun süre kalırlar.İnsanlar kendileri için kişisel olarak seçilmiş içerikleri gördüklerinde uygulamanızda daha fazla zaman harcıyorlar. TikTok'ta nasıl gezinmeye devam ettiğinizi düşünün çünkü size tam olarak neyle ilgilendiğinizi göstermeye devam ediyor.
Kullanıcılar içeriğinizin daha fazlasını keşfeder.200 gönderi içeren bir blogunuz varsa, çoğu ziyaretçi yalnızca en son birkaç gönderiyi görecektir. "Şunları da beğenebilirsiniz" bölümü, her okuyucunun hâlâ ilgisini çeken eski gönderileri ortaya çıkarabilir.
Kullanıcılar daha sık geri gelir.Kişiselleştirilmiş e-posta özetleri ("İlgi alanlarınıza göre yenilikler burada") insanlara geri dönmeleri için bir neden verir. Medium bu şekilde makalelere tıklamanızı sağlar.

Aslında Nasıl Yapılır (Adım Adım)

İşte sizi bunaltmayacak pratik bir yol haritası:

Kullanıcıların ne yaptığını takip ederek başlayın.Herhangi bir şey önerebilmeniz için önce verilere ihtiyacınız var. Tıklamaları, beğenileri, kaydetmeleri, sayfalarda geçirilen süreyi, satın alma işlemlerini ve uygulamanız için anlamlı olan her şeyi izleyin. Basit bir veritabanı tablosu bileuser_id | item_id | eylem | zaman damgasıbaşlamak için yeterlidir.
En basit yaklaşımla başlayın.Doğrudan makine öğrenimine atlamayın. "En popüler ürünler" veya "X'i satın alan kullanıcılar Y'yi de satın aldı" ile başlayın. Küçük bir uygulama için birkaç SQL sorgusu şaşırtıcı derecede iyi öneriler sağlayabilir.
Hazır olduğunuzda bir kütüphaneye mezun olun.Python'unSürpriz kütüphaneişbirliğine dayalı filtrelemeyi son derece basit hale getirir. Yaklaşık 20 satırlık kodla çalışan bir öneri modeline sahip olabilirsiniz.TensorFlow Önericileridaha derine inmek istiyorsanız harikadır.
Taze tutun.Öneriler hızla eskiyor. Modelinizi yeni verilerle yeniden eğitmek için haftalık bir iş ayarlayın. Bir kullanıcının Ocak ayındaki zevki Mart ayına kadar tamamen farklı olabilir.

Kendiniz oluşturmak istemiyorsanız, yönetilen hizmetler bu ağır yükün üstesinden gelebilir.AWS KişiselleştirmeVerilerinizi girmenize ve bir API aracılığıyla öneriler almanıza olanak tanır.Google'ın Öneri Yapay Zekasıaynı şeyi yapıyor. Her ikisinin de küçük uygulamalar için yeterince cömert ücretsiz katmanları var.

İlk Tavsiye Sisteminizi Oluşturma

Kullanıcı İşlemlerini Takip Edin

Tıklamaları, beğenileri, satın alma işlemlerini ve harcanan zamanı günlüğe kaydedin

Basit Başlat

Temel SQL sorgularıyla "En popüler" veya "ayrıca satın alındı"

Kitaplık Ekle

Python'un Sürprizini veya TensorFlow Önericilerini Kullanın

Haftalık Yeniden Eğitim

Kullanıcının zevkleri değiştikçe önerileri güncel tutun

Neyin İşe Yaradığını Ölçün

Önerilerinizin tıklama oranlarını izleyin

Temel Çıkarımlar

Veri bilimcisi olmanıza gerek yok.Basit bir "X'i sevenler Y'yi de beğendi" sorgusu küçük bir uygulama için harikalar yaratabilir.
Sahip olduklarınızla başlayın.Temel tıklama verileri bile yararlı önerileri desteklemek için yeterlidir.
Ağır kaldırmayı yapan ücretsiz araçlar var.Surprise gibi kitaplıklar ve AWS Personalize gibi yönetilen hizmetler, yalnız geliştiriciler için mükemmel olan ücretsiz katmanlara sahiptir.
Taze tutun.Modelinizi düzenli olarak yeniden eğitin. Eski öneriler, hiç öneri olmamasından daha kötüdür.
Etkiyi ölçün.Kullanıcıların önerilerinize gerçekten tıklayıp tıklamadığını izleyin. Eğer yapmazlarsa, yaklaşımınızı değiştirin.

Çözüm

Öneri sistemleri yalnızca devasa mühendislik ekiplerine sahip teknoloji devleri için değildir. Tek başına çalışan bir geliştirici olarak, "bu haftanın en popülerleri" kadar basit bir şeyle başlayabilir ve yavaş yavaş gerçek kullanıcı verileriyle desteklenen kişiselleştirilmiş önerilere doğru ilerleyebilirsiniz. Araçlar ücretsizdir, kütüphaneler yeni başlayanlar için uygundur ve kullanıcı etkileşimi üzerindeki etkisi çok büyük olabilir.

Önemli olan yeni başlamaktır. Kullanıcı davranışını izleyin, basit bir yaklaşım deneyin ve oradan yineleyin. Kullanıcılarınız farkı fark edecektir.

Daha fazla okumak için göz atınGoogle'ın Öneri Sistemleri Kılavuzu, AWS KişiselleştirmeveSürpriz kütüphane belgeleri.