Spark Makine Öğrenimi ile Öneri Sistemleri Bölüm 1

27.08.2018 / Emir Bora Turan

Öneri sistemleri günümüzde oldukça yoğun ve sık kullanılmaktadır. Herhangi bir e-ticaret sitesinde, tatil sitelerinde, video ve müzik paylaşım siteleri gibi birçok alanda kullanımını sıklıkla görmekteyiz. Bu tür sitelere kullanıcı olarak giriş yaptığımızda da bizlere bir takım öneriler sunarlar. İşte bu bahsettiğimiz önerilerin altında da öneri motoru olarak adlandırdığımız yapılar bunun da temelinde de makine öğrenimleri yatmaktadır.

 

Öneri sistemlerinin beslendiği de bir takım kaynaklar vardır.

 

  • Ürünleri kullanacak olan kullanıcıların bilinmesi
  • Ürünler hakkında bilgi ve detaylara ihtiyaç duyarız.

 

Yukarıda bahsettiğimiz ürünler kullanıcılarımıza öneri olarak sunulacak ürünlerdir.

 

Peki, bizlere ne gibi fayda sağlamayı amaçlamaktadır?

 

Sistemimize üye olan kullanıcılarımıza mantıklı ve kullanışlı ürünleri sunacağı gibi kullanıcılarımızın ilgi alanlarına göre de ürünlerin önerilmesi sağlanmalıdır. Sonuç olarak daha fazla kategorilere göre ürün listelenmeleri ve bu listelemelerin satış olarak sonlandırılması asıl amaçtır.

 

Öneri sistemlerinde birden fazla yaklaşım modeli vardır.

 

  • İçerik tabanlı yaklaşım modeli
  • İşbirlikçi yaklaşım modeli
  • Hibrid yaklaşım modeli

 

İçerik Tabanlı Yaklaşım ;

 

İçerik tabanlı yaklaşımda hedef yalnızca kullanıcıdır. Yani bir kullanıcı ziyaretinde sadece o kullanıcının ilgi duyacağı kategorileri tahminlemek ve hedef kullanıcıya öneri sunmayı içermektedir. Burada hedef kullanıcıdır ve hedef kullanıcının profili, geçmiş alışveriş özellikleri kullanılarak ürüne vereceği puanı tahminleriz. Tahminlerimiz ise yüksek puanlama yapacağı ürünün seçimidir. Tahminlediğimiz yüksek puanlı ürünü de hedef kullanıcıya öneri olarak sunulmasıdır.

 

Web uygulamamızda bir dizi kullanıcılarımız var ve bizler bu kullanıcıların profilleri hakkında bilgi sahibiyiz. Bunlar neler?

 

Hangi ürünleri incelediler?

Hangi ürünleri satın aldılar?

 

Bunun gibi verilerle yani kullanıcı profili ve geçmiş incelemeleri ya da geçmiş satın almaları ile kişiselleştirilmiş öneriler de gerçekleştirilebilir. Amaç nettir daha fazla ürün sunumu ve sunulan ürünlerin satış ile sonlandırmasıdır.

 

Burada yani içerik filtrelemede kullanıcın bireysel profilleri ve geçmiş kullanıcının ilgilendiği ürünler parametre olarak kullanılır.

 

CONTENT-BASED FILTERING Read by ter Similar articles Recommended to user

 

Dezavantajları nelerdir?

 

Tüm ürünler hakkında çok zengin ve doğru bilgiye ihtiyaç vardır. Milyonlarca üründen bahsediyor isek gerçekten zaman maliyeti bir hayli fazladır. İçerik tabanlı yaklaşımda dikkat edilmesi gereken bir diğer dezavantaj ise ürünlerin bir araya getirilememesidir ve bundan dolayı da genişletme yapılması bir hayli zordur. Yani burada müşterilerin birlikte alınabilirliği yüksek olan ürünler ve kategorileri hedef almadığımız gibi kontrolünü de yapmamaktayız.

 

İşbirlikçi Yaklaşım;

 

İşbirlikçi yaklaşım modelimizde ise kullanıcının direk kendisi ile ilgilenmiyoruz. Bunun yerine üye olan bütün kullanıcılarımızın içerisinden hedef olan kullanıcı profillerine benzeyen üyelerin sahip olduğu profiller kullanılmaktadır. Bunun dışında yani kullanıcı profilleri dışında sevdikleri ve ilgi duydukları ürünlere benzer diğer ürünlerde modelimizin içerisinde kendisine yer bulur.

 

Önerilere ortak yaklaşım çok daha yaygın ve daha sık kullanılan bir yaklaşım modelidir. Burada amaç kullanıcıların daha fazla ürün görüntülenmesinin sağlanması ve buna bağlı olarak da alışveriş yapmaları asıl amaçtır. Hedef yine içerik yaklaşım modelinde olduğu gibi bireysel kullanıcının kendisidir. Fakat içerik tabanlı yaklaşıma göre farklar bulunmaktadır.

 

İşbirlikçi yaklaşım modelinde ürün önerilerini gerçekleştirmek için kullanıcının bireysel profili yerine diğer müşterilerin sahip olduğu profiller kullanılmaktadır. Belirli bir kullanıcıya yapılan öneriler sitemizde ya da sistemimizde var olan ve benzer üyelerin beğenileri , alışverişleri ,sevdikleri ve sevmediklerine göre kategorilenir.

 

COLLABORATIVE FILTERING Read by both users Similar users Read by her, recommended to him!

 

 

Aynı site üzerinden sizin gibi diğer kullanıcıların kullandıkları ya da satın aldıkları aynı ürünleri sevme eğiliminde olacağına varsayarak çalışır. Yani sonunda işbirlikçi yaklaşım modelinde filtreleme benzer kişilerin aldığı bir A ürünün yanında B ürününü de aldığını kullanıcımıza öneri olarak sunacaktır.

 

Bir sonraki işbirlikçi yaklaşım modelinin detaylıca incelemesini gerçekleştireceğiz.

Yazının 2. Bölümünü okumak için tıklayınız.

Yazan: Yenal TIRPANCI (Eczacıbaşı Bilişim)