Kümelenmeden Sonra Öneri Sistemleri: Basit Bir User–Item Matrix ile Collaborative Filtering

Giriş

Hepimizin başına gelmiştir: Arkadaşınızla bir ürün hakkında konuşursunuz ve beş dakika sonra o ürün sosyal medya akışınızda beliriverir. O an durup kendimize sorarız: “Bu platformlar bizi gerçekten gizlice dinliyor mu?”

Aslında ortada casusluk filmlerini aratacak gizemli bir durum yok. Yaşadığımız şey, dijital dünyanın bizi bizden bile daha iyi tanımaya başlamasının bir sonucu. İzlediğimiz bir film, yarım bıraktığımız bir şarkı veya sepete ekleyip almadığımız o ayakkabı… Dijital ayak izlerimiz, sistemler için altın değerinde birer ipucu.

Tahmin Değil, İyi Bir Gözlem

Öneri sistemlerinin tek bir derdi var: Sizin dünyanıza en uygun içeriği, en doğru zamanda karşınıza çıkarmak. Bunu yaparken de “kristal küre” kullanmıyorlar; tamamen geçmişteki tercihlerinizden ve dijital davranışlarınızdan besleniyorlar.

Bu yazıda, bu karmaşık görünen yapının kalbindeki en popüler yöntemlerden birini, yani “İşbirlikçi Filtreleme” (Collaborative Filtering) yaklaşımını ele alacağız.

Neden Bu Yazıyı Okumalısınız?

Bu konuyu akademik bir dille veya boğucu matematiksel formüllerle anlatmayacağız. Amacımız:

• Sistemlerin bizi nasıl “kümelediğini” anlamak,
• Kullanıcı-Öğe Matrisi denilen o yapının aslında ne kadar basit bir mantığa dayandığını görmek,
• Öneri sistemlerinin çalışma mantığını sezgisel olarak kavramak.

Kısacası, daha karmaşık yapılarla tanışmadan önce, bu sistemlerin mutfağına girip temel taşları birlikte yerine oturtacağız. Hazırsanız, o “tesadüf” dediğimiz şeylerin arkasındaki mantığı keşfedelim.

1. Öneri Sistemlerine Kısa Bir Bakış

Öneri sistemleri, farklı kullanıcılara ait heterojen kaynaklardan gelen verileri analiz ederek kullanıcıların ilgilerini öngörmek ve buna göre ilgili ürünleri doğru kullanıcılara önermek için çözümler üreten sistemlerdir. Gereksiz ve istenmeyen bilgileri filtreleme olarak da görülen öneri sistemleri en güçlü makine öğrenmesi yöntemlerinden biridir. 1.

Sadece Bir Satış Stratejisi mi, Yoksa Dijital Bir Asistan mı?

Öneri sistemlerini sadece “bize bir şeyler satmaya çalışan tezgahtarlar” gibi düşünmek onlara haksızlık olur. Aslında bu sistemler, her gün maruz kaldığımız devasa bilgi bombardımanı içinde yolumuzu bulmamızı sağlayan, sessiz ama çok zeki dijital asistanlarımızdır. Sabah Spotify’da tam modumuza uygun o şarkıyla karşılaşırken, akşam yorgun argın eve geldiğimizde Netflix’in “işte tam aradığın film” demesinde veya Amazon’da hayatımızı kolaylaştıracak o küçük mutfak gerecini keşfetmemizde hep bu asistanların parmağı var. Hatta bu rehberlik artık ticaretin de ötesine geçerek, sağlık sektöründe doktorlara kişiselleştirilmiş tedavi yöntemleri sunma noktasında bile hayat kurtarıcı bir rol üstleniyor.

Peki, Bu Sistemler Bizi Nasıl Bu Kadar İyi Tanıyor?

Bazen “beni benden daha iyi biliyor” dediğimiz bu isabetli tahminlerin arkasında sihirli bir küre yok; sadece çok iyi kurgulanmış bir mantık var. Bu sistemler genellikle iki ana yöntemle bizi çözümlüyor:

1. Kümeleme (Clustering): Sizi, zevklerinizin ve tercihlerinizin benzer olduğu devasa bir “arkadaş grubu” içine yerleştiriyorlar.
2. Kullanıcı-Öğe Matrisi (User-Item Matrix): Hangi ürüne kaç puan verdiğinizi, neyi ne kadar süre izlediğinizi dev bir etkileşim haritası üzerinde işaretliyorlar.

Aslında tüm bu karmaşık veri trafiği, sizin için en doğru kararı saniyeler içinde verebilmek için dönüyor. Şimdi gelin, bu yöntemlerin perde arkasına biraz daha yaklaşalım; hangi durumda bir kahraman gibi çalıştıklarını, hangi durumlarda ise bazen tökezlediklerini birlikte inceleyelim.

2. Kümelenme Nedir ve Neden Önemli?

Kümeleme, farklı nesneleri, veri noktalarını veya gözlemleri benzerliklere veya kalıplara göre gruplara veya kümelere ayıran ve sınıflandıran, denetimsiz bir makine öğrenmesi algoritmasıdır 2.

Peki, öneri sistemlerinde neden buna ihtiyaç duyuyoruz?

• Hız ve Düşük Maliyet: Milyarlarca kullanıcı arasındaki benzerlikleri tek tek hesaplamak muazzam bir işlem gücü gerektirir. Kümeleme sayesinde, kullanıcıları benzer zevklere sahip alt gruplara (homojen kümeler) ayırarak bu hesaplama yükünü hafifletiriz.
• Cold Start Çözümü: Yeni bir kullanıcı sisteme girdiğinde elinizde yeterli veri olmayabilir (buna cold start problemi diyoruz). Kümeleme sayesinde, bu yeni kişiyi benzer özellikler taşıyan bir kümeye dahil ederek, o kümenin genel eğilimleri üzerinden hızlıca öneriler sunabiliriz.

Ancak kümelemenin bazı dezavantajları da mevcuttur. Küme sayısı yanlış seçilirse, kullanıcılar yanlış gruplara eşlenebilir ve öneri kalitesi düşebilir. Ayrıca, genel kişilik tabanlı kümeleme, kullanıcıların varyansını göz ardı edebilir.

Başka bir deyişle, kümeleme teknikleri, benzerlik gösterme olasılığı yüksek olan kullanıcıları veya öğeleri önceden bölümlendirerek, işbirlikçi filtrelemeyi hesaplama açısından mümkün kılar.

Öneri Sistemlerinde Temel Filtreleme Yaklaşımları

Bu bölümde, öneri sistemlerinde kullanılan başlıca filtreleme yaklaşımları ve bu yaklaşımların dayandığı veri yapısı olan user item matrix ele alınacaktır.

Öneri sistemleri, kullanıcıların ilgi alanlarını tahmin edebilmek amacıyla farklı türde verilerden yararlanır ve bu doğrultuda çeşitli filtreleme yöntemleri kullanır.

Literatürde öneri sistemleri temel olarak iki ana filtreleme yaklaşımı altında incelenmektedir: içerik tabanlı filtreleme ve işbirlikçi filtreleme.

İçerik tabanlı filtreleme, kullanıcılara yeni, ancak benzer öğeler önermek için makine öğrenimi algoritmalarını kullanır. Benzer öğeleri bir araya getirmek için öğe özelliklerinden yararlanır.

İşbirlikçi filtreleme, yeni ürünler önermek için yalnızca müşteriler ve kullandıkları ürünler arasındaki geçmiş etkileşimleri kullanır. Kullanıcı-ürün etkileşimleri kullanıldığı ve kullanıcı-ürün etkileşimleri matrisinde saklandığı için ürün özellikleri önemli değildir 3. Yani ürünlerin içerik veya nitelik özellikleri doğrudan kullanılmaz.

Aşağıdaki tabloda, içerik tabanlı filtreleme ve işbirlikçi filtreleme yaklaşımları karşılaştırılmaktadır.

Özetlemek gerekirse; içerik tabanlı sistemler “ürünün ne olduğuna” odaklanırken, işbirlikçi filtreleme “kimin neyi yaptığına” odaklanır. Bu çalışmanın devamında, ürün özelliklerinden bağımsız olarak tamamen kullanıcılar arası etkileşimlere odaklanan İşbirlikçi Filtreleme yaklaşımını derinlemesine inceleyeceğiz.

Collaborative Filtering (İşbirlikçi Filtreleme) ve User-Item Matrix

İşbirlikçi filtreleme, öneri sistemlerinin temel bir tekniğidir ve e-ticaret, yayın hizmetleri ve sosyal medya platformlarında kişiselleştirilmiş deneyimler sağlayarak kullanıcı deneyimini kişiselleştirilmiş öneriler yoluyla geliştirir.

Özünde, geçmişte benzer tercihler sergileyen kullanıcıların gelecekte de benzer ilgi alanlarına sahip olma olasılığının yüksek olduğu ilkesine dayanır. Benzer şekilde, benzer kullanıcılardan etkileşim alan öğelerin, benzer zevklere sahip kullanıcılar tarafından tercih edilme olasılığı yüksektir. Başka bir deyişle, işbirlikçi filtreleme, öneriler oluşturmak için kullanıcıların öğelerle etkileşimine dayanır 4.

İşbirlikçi filtreleme hesaplama biçimlerine göre ikiye ayrılır:

· Bellek Tabanlı (Memory Based) Collaborative Filtering

· Model Tabanlı (Model-Based) Collaborative Filtering

İşbirlikçi filtreleme yaklaşımlarının tamamı, kullanıcı–ürün etkileşimlerini temsil eden User–Item Matrix yapısını kullanmaktadır. Bu nedenle, bellek tabanlı ve model tabanlı yöntemlerin anlaşılabilmesi için öncelikle bu matrisin iyice anlaşılması gerekmektedir.

User Item Matrix Nedir ?

User-Item Matrix, satırlarında kullanıcıların, sütunlarında ürünlerin, satır-sütun kesişimi olan hücrelerde ise kullanıcıların ürünler hakkında değerlendirmelerinin, kullanıcıların bu ürünü satın alıp almadığını gösteren binary değerlerin bulunduğu bir matristir. Bu matriste hücre değerleri kullanıcıların ögelere yönelik değerlendirmelerini gösterir.

Örnek User-Item Matrix

Bellek Tabanlı (Memory Based) Collaborative Filtering

Doğrudan user-item matrix üzerinde çalışan bu yaklaşımda benzerlik hesapları esastır. Herhangi bir öğrenme modeli kurulmaz.

Bellek tabanlı işbirlikçi filtreleme ikiye ayrılır:

· User-Based Collaborative Filtering: Kullanıcılar arası benzerlikler hesaplanır. Kullanıcıya kendisine benzeyen diğer kullanıcıların tercihleri önerilir. Diyelim ki Kullanıcı A ve Kullanıcı B geçmişte benzer türlerde romanlar satın almış olsun. Bu durumda user based filtreleme ile çalışan öneri sistemimiz A kullanıcısına B kullanıcısının daha önce satın almış olduğu bir romanı önerebilir.

· Item-Based Collaborative Filtering: Kullanıcıların tercih ettiği ürünler arası benzerlikler hesaplanır. Kullanıcıya daha önceden beğenmiş olduğu benzer ürünler önerilir. Diyelim ki Kullanıcı A Roman X’i satın aldı. Sistem, geçmiş verilerden Roman X ile en sık birlikte alınan (ya da benzer puanlanan) ürünün Roman Y olduğunu biliyor olsun. Bu durumda sistem, Kullanıcı A’ya Roman Y’yi önerir.

Burada öneri, Kullanıcı A’ya benzeyen kullanıcıları bulmaktan ziyade, Roman X’e benzer ürünleri (etkileşim kalıplarına göre) belirleyerek yapılır.

Model Tabanlı (Model-Based) Collaborative Filtering

Yine user-item matrix üzerinde çalışan bellek tabanlı filtrelemeden farklı olarak bir öğrenme modeli ile filtreleme yapılan yaklaşımdır. Matrix Factorization (SVD, ALS), Probabilistic Matrix Factorization, Neural Collaborative Filtering gibi filtreleme yöntemleri model tabanlı filtreleme de kullanılan yöntemlerdir.

Yazımın buraya kadar olan kısmında öneri sistemlerinin ne olduğu, temel bileşenleri ve işbirlikçi filtreleme yaklaşımları ele alınmıştır. Bu kavramların daha iyi anlaşılabilmesi için, bir sonraki bölümde basit bir User–Item Matrix üzerinden örnek bir senaryo oluşturulacaktır.

3. Örnek Senaryo: Kredi Başvuruları Öneri Sistemi

Öneri Sistemi Amacı: Kullanıcıların kredi başvuru sürecindeki davranışlardan ürünlerle olan etkileşimlerden yola çıkarak kullanıcıya özel kredi imkanları sunmak.

Senaryo Tanımı: Bir bankanın mobil uygulaması üzerinden sunduğu 4 farklı kredi ürünü olsun: Taşıt kredisi, ihtiyaç kredisi, konut kredisi ve kobi kredisi.

Kullanıcıların ürünlerle olan etkileşimi (başvuru yapması, başvuru tamamlaması, başvuru süresinin dolması ve başvuru iptali gibi) kayıt altına alınmaktadır.

Bu etkileşimler, öneri sistemi tarafından kullanıcı–ürün etkileşimleri olarak değerlendirilecektir.

User–Item Matrix Oluşturulması:

Bu senaryoda User–Item Matrix şu şekilde tanımlanabilir:

• Satırlar: Banka müşterileri (Kullanıcı A, B, C, D)
• Sütunlar: Kredi ürünleri
• Hücre değerleri:

o 1 → Kredi başvurusu yapılmış ve başarıyla tamamlanmıştır.

o 0 → Kredi başvurusu yapılmamıştır.

o −1 → Kredi başvurusu kullanıcı tarafından iptal edilmiştir.

o −2 → Kredi başvurusu süresi dolduğu için tamamlanmamıştı.

User-Based Collaborative Filtering Uygulanması: Bu yaklaşımda kullanıcılar arasındaki benzerlikler dikkate alınır.

Örneğin kullanıcı B ile kullanıcı D’yi inceleyelim. Her iki kullanıcı da İhtiyaç, taşıt ve kobi kredilerine başvuru yapmışlardır. B’nin üç başvuru da kabul edilmişken D’nin iki başvurusu kabul edilmiştir. Bu iki kullanıcı arasında ürünlerle etkileşimleri açısından bir benzerlik söz konusudur.

Öneri sistemimiz bu benzerlikten yola çıkarak D kullanıcısına tekrardan taşıt kredisi başvurusu yapmayı veya B kullanıcısına konut kredisi kullanmayı önerebilir.

Item-Based Collaborative Filtering Uygulaması: Item-based işbirlikçi filtreleme yaklaşımında kullanıcılar yerine kredi ürünleri arasındaki benzerlikler dikkate alınır.

Örneğin kullanıcı B ve D hem kobi kredisi hem de ihtiyaç kredisi başvurusu yapmıştır. Bunu bilen öneri sistemimiz ihtiyaç kredisi başvurusu yapan kullanıcı A’ya kobi kredisi kullanmayı önerebilir.

4. Sonuç ve Değerlendirme

Bu yazımda:

· Öneri sistemlerinin ne olduğunu,

· Kümeleme yönteminin öneri sistemlerinin verimli çalışmasına nasıl katkı sağladığını,

· Öneri Sistemlerinde kullanılan filtreleme yaklaşımlarının neler olduğunu,

· User-Item matrix ve collaborative filtreleme yaklaşımının ne olduğunu hem teorik olarak hem de örnek senaryo üzerinden öğrenmiş olduk.

bu yazıda ele alınan yöntemler, daha karmaşık ve gelişmiş öneri sistemlerinin temelini oluşturmaktadır.

Kaynakça: