Öneri ve İçerik Sistemleri
Öneri sistemleri, bir kullanıcının ilgisini çekebilecek öğeleri önermekte, sorgu tabanlı aramayı tamamlayan kişiselleştirilmiş bilgi erişimi sağlamaktadır.
Tanım
Bir öneri sistemi, bir kullanıcının öğelere yönelik tercihini tahmin etmekte ve öğe içeriği, kullanıcının geçmiş davranışları ve diğer kullanıcıların davranışları gibi kanıtları kullanarak, açık bir sorgu gerektirmeksizin kişiselleştirilmiş bilgi erişimini desteklemek amacıyla sıralanmış bir öneri kümesi sunmaktadır.
Kapsam
Bu alan, kullanıcılara proaktif olarak öğe öneren sistemleri kapsamaktadır: öğeleri kullanıcı profilleriyle eşleştiren içerik tabanlı öneri, kullanıcılar ve öğeler arasındaki örüntüleri kullanan işbirlikçi filtreleme, sinyalleri birleştiren ve duruma uyum sağlayan hibrit ve bağlama duyarlı yöntemler ile önerilerin değerlendirilmesi bu kapsamda yer almaktadır. Öneri, bilgi erişiminin kişiselleştirme odaklı bir dalı olarak ele alınmakta olup, geri getirme (retrieval) ile yakından ilişkilidir; temsil ve değerlendirme fikirlerini paylaşırken, açık bir sorgu olmaksızın öğe önerme gibi kendine özgü bir sorunu ele almaktadır.
Alt konular
Temel sorular
- Kullanıcı tercihleri, açık derecelendirmelerden ve örtük davranışlardan nasıl çıkarılmaktadır?
- İçerik tabanlı öneri, işbirlikçi filtrelemeden nasıl farklılaşmaktadır?
- İşbirlikçi yöntemler, birçok kullanıcı ve öğe arasındaki örüntüleri nasıl kullanmaktadır?
- İçeriksel, davranışsal ve bağlamsal sinyaller nasıl birleştirilmektedir?
- Öneri kalitesi, tahmin doğruluğunun ötesinde nasıl ölçülmektedir?
Anahtar kavramlar
- kullanıcı ve öğe profilleri
- açık ve örtük geri bildirim
- içerik tabanlı öneri
- işbirlikçi filtreleme
- matris çarpanlara ayırma (matrix factorization) / gizli faktörler
- soğuk başlangıç problemi (cold-start problem)
- bağlama duyarlı öneri
- öneri sıralaması ve çeşitliliği
Temel kuramlar
- İçerik tabanlıya karşı işbirlikçi filtreleme
- İçerik tabanlı yöntemler, bir kullanıcının beğendiği öğelere benzer öğeleri, öğe özelliklerini kullanarak önermekteyken, işbirlikçi filtreleme, benzer kullanıcıların beğendiği öğeleri kullanıcı-öğe etkileşim matrisini kullanarak önermektedir; her birinin tamamlayıcı güçlü ve zayıf yönleri bulunmaktadır.
- Matris çarpanlara ayırma ve gizli faktör modelleri
- İşbirlikçi filtreleme, seyrek kullanıcı-öğe derecelendirme matrisini, nokta çarpımları tercihleri tahmin eden düşük boyutlu kullanıcı ve öğe faktörlerine ayırma olarak ele alınabilmektedir; bu, modern öneri sistemleri için merkezi bir tekniktir.
Klinik önem
Öneri sistemleri, e-ticaret, akışlı medya, haberler, sosyal platformlar ve çevrimiçi reklamcılık için merkezi bir öneme sahiptir ve kullanıcıların çevrimiçi ortamda karşılaştığı birçok şeyi şekillendirmektedir. Geri getirme (retrieval) ile temsil, sıralama ve değerlendirme yöntemlerini paylaşmakta olup, çeşitlilik, adalet ve filtre baloncukları gibi endişeler, tasarımlarını önemli kılmaktadır.
Tarihçe
Öneri sistemleri, 1990'ların ortalarında GroupLens gibi erken işbirlikçi filtreleme sistemleriyle ortaya çıkmıştır. Netflix Ödülü yarışması (2006-2009), matris çarpanlara ayırma (matrix-factorization) yöntemlerinde önemli ilerlemeleri tetiklemiş ve alan, içerik tabanlı, işbirlikçi, hibrit ve bağlama duyarlı yaklaşımları kapsayan geniş bir disipline dönüşerek kapsamlı el kitapları ve ders kitaplarında pekiştirilmiştir.
Öne çıkan isimler
- Joseph Konstan
- John Riedl
- Gediminas Adomavicius
- Charu Aggarwal
- Francesco Ricci
İlgili konular
Temel eserler
- ricci2015
- adomavicius2005
- ekstrand2011
Sıkça sorulan sorular
- Öneri, aramadan nasıl farklılaşmaktadır?
- Arama, acil bir ihtiyacı ifade eden açık bir sorguya yanıt verirken, öneri, kullanıcının çıkarılan tercihleri ve bağlamına dayanarak, genellikle herhangi bir sorgu olmaksızın proaktif olarak öğeler önermektedir. Temsil ve sıralama mekanizmalarını paylaşsalar da, farklı bilgi erişim sorunlarını çözmektedirler.
- Soğuk başlangıç problemi nedir?
- Soğuk başlangıç, çok az veya hiç etkileşim geçmişi olmayan yeni kullanıcılar veya yeni öğeler için öneri yapmanın zorluğudur. Öğrenilecek derecelendirme veya davranış olmadığında, işbirlikçi yöntemler zorlanmaktadır; bu nedenle, bu boşluğu doldurmak için genellikle içerik tabanlı özellikler ve hibrit yaklaşımlar kullanılmaktadır.