E-ticaret siteleri gün geçtikçe yeni özellikler ekleyerek gelişmeye devam ediyor. Müşterilere daha iyi deneyimler sunabilmek için detaylı filtreleme sistemlerinin yanında, yapılan alışverişlere göre öneriler sunan tavsiye sistemleri de geliştirilmekte. Bu yazının asıl konusu içerik tabanlı tavsiye sistemi ama genel olarak tavsiye sistemleri hakkında da kısaca bilgi verelim…

Tavsiye sistemleri, kullanıcıya verimli, uygun ve kişiselleştirilmiş hizmet sunulması için geliştirilmiştir. En önemli özelliği, bir kullanıcıya kişiselleştirilmiş tavsiyeler sunarken, diğerlerinin davranışlarını analiz ederek tercihlerini tahmin edebilmesidir. 1 Tahminlerin yapılması için kullanıcıların geçmişteki tercih ve davranışlarına dikkat edilir. Tavsiye sistemleri ile genellikle e-ticaret platformlarında karşılaşırız ancak kullanım alanları giderek çoğalmaktadır. Oluşumunda işbirlikçi filtreleme, içerik tabanlı filtreleme veya hibrit yöntemler kullanılabilir.

İşbirlikçi filtreleme yöntemini anlamak için iki hayali kullanıcı (A kullanıcısı ve B kullanıcısı) düşünelim. A ve B benzer tercihler yapıyor olsun. A’nın satın aldığı ama B’nin hiç görmediği bir ürünü, B’ye öneri olarak sunmak işbirlikçi filtreleme ile yapılır.

İçerik tabanlı filtreleme yöntemi biraz daha detaya inmekte ve kullanıcıların ilgilenebilecekleri öğeleri tahmin etmek için öğe içeriklerindeki bilgileri kullanmaktadır.2

Hibrit yöntemler ise işbirlikçi filtreleme ve içerik tabanlı filtreleme yöntemlerinin bir araya gelmiş halidir. İki yöntemin de dezavantajları vardır, hibrit yöntemler bunları ortadan kaldırmak için geliştirilmişlerdir. Bu yöntemler gelişmeye başladığından beri, birçok veri bilimci kendisine ait bir çözüm sunmuştur. Bu yöntemler bu yazının konusunun dışına çıkacağından diğer yazılarımızda bahsedeceğiz.

İçerik Tabanlı Filtreleme

İçerik tabanlı filtreleme yaklaşımları, ürünler ve kullanıcıların tercihleri hakkında ek bilgiler gerektirse de, kullanıcı topluluğu ya da değerlendirme puanlarının bulunduğu bir veritabanına ihtiyaç yoktur.  Dilerseniz içerik tabanlı filtrelemeyi bir örnekle açıklayalım:

Klasik tavsiye yönteminde film platformuna üye olan bir kullanıcı, beğendiği türleri belirler ve ona tercihlerine göre öneriler sunulur. Yani bilim kurgu filmini sevdiğini söylüyorsa, popüler bilim kurgu filmleri arasından öneriler yapılır. İçerik tabanlı tavsiye sistemi kullanıldığında aynı kullanıcıya, tüm bilim kurgu filmlerini önermek yerine izlediği filmlerle aynı yılda çekilen veya benzer oyuncuları içeren filmler önerilebilir.

Benzer senaryolar günümüzde e-ticaret sitesinde bir ürün, içerik platformunda bir blog yazısı veya müzik uygulamasında yeni şarkılar önermek için de kullanılmaktadır.

Biraz da bu yöntemin avantaj ve dezavantajlarından bahsedelim.  

+ Her kullanıcıya ayrı tavsiyeler sunulduğu için diğer kullanıcıların bilgilerine erişim gerekmez.

+ Kullanıcıların spesifik ilgi alanlarını bulup, popüler olmayan ama kişinin seveceği içerikleri sunmayı sağlar.

–  Yöntemin daha iyi çalışması için kodlar elle yazılmalıdır, hazır bir şablonu yoktur. Bu nedenle ileri düzey kodlama bilgisi gerektirir.

–  Tavsiyeler yalnızca kullanıcının belirlediği (bize söylediği) ilgi alanlarıyla sınırlı kalır. Bu yöntemle yapılabilecek öneriler bu nedenle sınırlıdır.

İçerik tabanlı filtreleme hakkında sorularınız varsa info@efilli.com adresine bir mail atarak sorabilirsiniz. Veri Bilimi hakkında merak ettikleriniz için Efilli Blog’a göz atmayı unutmayın! Bir sonraki yazımızda görüşmek üzere…

[1] Utku, A., & Akçayol, M. A. (2017). Öğrenebilen ve Adaptif Tavsiye Sistemleri İçin Karşılaştırmalı ve Kapsamlı Bir İnceleme . Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi33(3). Retrieved from https://dergipark.org.tr
[2] Wu, M. L., Chang, C. H., and Liu, R. Z. 2014. Integrating content-based filtering with collaborative filtering using co-clustering with augmented matrices. Expert Systems with Applications, 41(6), pp. 2754-2761.
https://developers.google.com/machine-learning/recommendation/content-based/summary