Günümüz dijital dünyasında kullanıcılara kişiselleştirilmiş öneriler sunan tavsiye sistemleri (recommender systems), e-ticaretten video akış platformlarına, sosyal medyadan haber sitelerine kadar her yerde karşımıza çıkar. Bu sistemlerin kalbinde iki temel model yatar: içerik tabanlı filtreleme (content-based filtering) ve işbirlikçi filtreleme (collaborative filtering). Bu rehberde, her iki modelin çalışma prensiplerini, avantajlarını, zayıf yönlerini ve hangi durumda hangi modelin tercih edileceğini detaylandıracağız. Ayrıca ihtiyaç duyduğunuzda veri analizi yaptırma ve modelleme yaptırma hizmetlerimizle bu modelleri kendi verilerinize nasıl uygulayabileceğinizi de anlatacağız.

Tavsiye sistemleri, bilgi aşırı yüklenmesi (information overload) sorununa çözüm getirir. Kullanıcıya ilgilisini bulabileceği ürün, film, şarkı, haber veya arkadaş önerir. Başarılı bir tavsiye sistemi, kullanıcı bağlılığını artırır, satışları yükseltir ve kullanıcı deneyimini iyileştirir. Bu yazıda, teorik bilgilerin yanı sıra uygulama örnekleri, kod parçacıkları (Python ile) ve performans metrikleri de paylaşacağız. Ayrıca akademi danışmanlığı alarak tez veya proje kapsamında bu modelleri daha derinlemesine çalışabilirsiniz.

1. Tavsiye Sistemlerine Giriş ve Temel Kavramlar

Bir tavsiye sistemi, kullanıcı-ürün etkileşim matrisi (rating matrisi) veya kullanıcı/ürün özellik vektörleri üzerinden öneri üretir. Temel kavramlar şunlardır:

• Kullanıcı (User): Sisteme kayıtlı, tercihleri olan birey.
• Öge (Item): Önerilen nesne (film, ürün, şarkı, makale vb.).
• Puan (Rating): Kullanıcının ögeye verdiği sayısal değer (ör. 1-5 yıldız).
• Etkileşim (Interaction): Kullanıcının ögeyi görüntülemesi, satın alması, beğenmesi vb.
• Özellik (Feature): Ögeyi tanımlayan metadata (film türü, ürün kategorisi, yazar, fiyat aralığı).
• Benzerlik (Similarity): Kullanıcılar veya ögeler arasındaki yakınlık ölçütü (cosine, pearson, jaccard).

Bu kavramları anlamak, proje yaptırma veya proje danışmanlık sürecinde size büyük kolaylık sağlayacaktır. Ayrıca hazırlama desteği ile bu kavramları görselleştirebilirsiniz.

2. İçerik Tabanlı Filtreleme (Content-Based Filtering)

İçerik tabanlı filtreleme, bir kullanıcının geçmişte beğendiği ögelerin özelliklerine (içeriğine) bakarak, benzer özelliklere sahip yeni ögeleri önerir. Örneğin bir kullanıcı aksiyon ve bilimkurgu filmlerini yüksek puanladıysa, sistem aksiyon-bilimkurgu etiketli yeni filmleri önerir. Bu modelde kullanıcı profili, beğendiği ögelerin özellik vektörlerinin ortalaması alınarak oluşturulur. Öneri yapılırken bu profil ile her yeni ögenin özellik vektörü arasındaki kosinüs benzerliği hesaplanır.

İçerik tabanlı modelin adımları:
1. Her öge için TF-IDF, bag-of-words veya word2vec gibi yöntemlerle özellik vektörü çıkarılır. (Filmler: tür, yönetmen, oyuncular, senaryo kelimeleri).
2. Kullanıcının geçmişte yüksek puan verdiği ögelerin vektörleri ortalaması alınarak kullanıcı profili vektörü oluşturulur.
3. Kullanıcının daha önce etkileşimde bulunmadığı her öge için profil vektörü ile öge vektörü arasındaki kosinüs benzerliği hesaplanır.
4. En yüksek benzerlik skoruna sahip N öge öneri listesi olarak sunulur.
Bu süreçte modelleme yardımı alarak vektör çıkarma işlemlerini otomatikleştirebilirsiniz. Ayrıca yazdırmak istiyorum diyerek elde ettiğiniz benzerlik matrislerini raporlayabilirsiniz.

Avantajları: Yeni öge soğuk başlangıç (cold-start) sorunu yoktur; yeni eklenen bir öge, özellikleri varsa hemen önerilebilir. Kullanıcı tercihleri şeffaftır, neden önerildiği açıklanabilir (örneğin “Bu filmi beğendiniz çünkü aksiyon türünü seviyorsunuz”). Kullanıcı profili zamanla güncellenebilir.
Dezavantajları: Aşırı uzmanlaşma (over-specialization): Kullanıcı sürekli aynı türde ögeler görür, keşfetme azalır. Yeterli özellik çıkarılamıyorsa (örneğin sadece başlık varsa) başarısız olur. Kullanıcılar arasındaki sosyal bilgiyi kullanmaz. Bu dezavantajları aşmak için ödev danışmanlığı alarak hibrit modellere yönelebilirsiniz.

3. İşbirlikçi Filtreleme (Collaborative Filtering)

İşbirlikçi filtreleme, “benzer zevklere sahip kullanıcıların beğendiklerini birbirine öner” fikrine dayanır. Kullanıcı-öge puan matrisi üzerinde çalışır, hiçbir içerik özelliğine ihtiyaç duymaz. İki ana alt türü vardır: kullanıcı tabanlı (user-based) ve öge tabanlı (item-based).

• Kullanıcı tabanlı: Aktif kullanıcıya, puan geçmişi en benzer olan diğer kullanıcıların yüksek puan verdiği ögeler önerilir. Benzerlik Pearson korelasyonu veya kosinüs ile ölçülür.
• Öge tabanlı: Aktif kullanıcının yüksek puan verdiği ögelere en benzer diğer ögeler önerilir. Öge benzerliği, tüm kullanıcıların puan vektörleri üzerinden hesaplanır. Genellikle öge tabanlı yöntem, kullanıcı tabanlıdan daha başarılıdır çünkü öge benzerlikleri daha kararlıdır.

Matematiksel gösterim: Kullanıcı-öge matrisi R (mxn). Kullanıcı tabanlı tahmin: r_u,i = (Σ_v∈N sim(u,v) * r_v,i) / Σ_v∈N |sim(u,v)|. Öge tabanlı tahmin: r_u,i = (Σ_j∈N sim(i,j) * r_u,j) / Σ_j∈N |sim(i,j)|. Bu hesaplamalar için veri analizi yaptırma ve analiz yaptırma hizmetlerimizle size özel kodlar yazdırabilirsiniz.

Avantajları: İçerik özelliklerine gerek yoktur, sadece kullanıcı davranışı yeterlidir. Genellikle içerik tabanlıya göre daha başarılıdır, beklenmedik öneriler yaparak keşfi artırır (serendipity). Karmaşık özellik mühendisliğine gerek duymaz.
Dezavantajları: Soğuk başlangıç (cold-start) sorunu: yeni kullanıcı veya yeni öge için hiç puan yoksa öneri yapılamaz. Seyreklik (sparsity): Gerçek dünyada puan matrisi çok seyrektir (%99’dan fazla boş). Ölçeklenebilirlik: milyonlarca kullanıcı ve öge için benzerlik hesapları ağırdır (modelleme yaptırma ile matris factorization kullanılabilir). Popülerlik yanlılığı: popüler ögeler herkese önerilir, niş ögeler keşfedilemez. Bu sorunların üstesinden gelmek için akademik yardım alarak SVD, ALS gibi teknikleri uygulayabilirsiniz.

4. Hibrit Tavsiye Sistemleri (Hybrid Recommenders)

İçerik tabanlı ve işbirlikçi filtrelemenin güçlü yanlarını birleştirip zayıflıklarını gidermek için hibrit yaklaşımlar geliştirilmiştir. Başlıca hibrit yöntemler:

• Ağırlıklı (Weighted): İki modelin tahmin skorları ağırlıklı ortalama ile birleştirilir (w*CF + (1-w)*CBF). Ağırlık cross-validation ile belirlenir.
• Geçişli (Switching): Belirli bir koşulda (örneğin yeni öge için) CBF, diğer durumlarda CF kullanılır.
• Karma (Mixed): Her iki modelden gelen öneri listeleri birleştirilir (sıralama yeniden yapılır).
• Özellik kombinasyonu (Feature combination): CBF’den çıkarılan özellikler, CF’nin girdisi olarak eklenir (örneğin matris factorization’a içerik özellikleri dahil edilir).
• Meta seviye (Meta-level): Bir modelin çıktısı diğer modelin girdisi olarak kullanılır (önce CBF ile profil oluştur, sonra CF ile benzer kullanıcı bul).

Hibrit sistemler, Netflix ödülü kazanan modellerde ve büyük e-ticaret sitelerinde (Amazon, Alibaba) yaygın olarak kullanılmaktadır. dergi makalesi danışmanlık alarak bu hibrit modeller üzerine bir makale hazırlayabilirsiniz. Ayrıca turnitin raporu ile özgünlüğünüzü kontrol edebilirsiniz.

Hibrit sistemlerin en büyük avantajı, soğuk başlangıç problemlerini azaltmalarıdır. Yeni bir ögenin içerik özellikleri varsa CBF onu önerebilir; yeni bir kullanıcının birkaç puanı olduktan sonra CF devreye girer. Böylece sistemin her aşamasında öneri yapılabilir. essay yaptırmak istiyorum diyerek bu konuda bir karşılaştırma essay’i hazırlatabilirsiniz.

5. Tavsiye Sistemlerinin Değerlendirme Metrikleri

Bir tavsiye sisteminin başarısını ölçmek için çeşitli metrikler kullanılır:

• RMSE (Root Mean Square Error): Tahmin edilen puan ile gerçek puan arasındaki farkın karekök ortalaması. Düşük RMSE iyidir. Özellikle puan tahmini yapan modellerde kullanılır.
• MAE (Mean Absolute Error): Mutlak hata ortalaması.
• Precision@k: Önerilen ilk k ögede kaç tanesinin kullanıcı tarafından beğenildiği (gerçek pozitif / (gerçek pozitif + yanlış pozitif)).
• Recall@k: Kullanıcının beğendiği tüm ögeler içinde önerilenlerin oranı.
• F1@k: Precision ve recall’un harmonik ortalaması.
• NDCG (Normalized Discounted Cumulative Gain): Sıralama kalitesini ölçer, yüksek puanlı ögelerin listede üst sıralarda olmasını ödüllendirir.
• Kapsam (Coverage): Sistemin toplam ögelerin ne kadarını önerebildiği. Düşük kapsam popüler ögelere aşırı odaklanmayı gösterir.
• Serendipity (Keşif): Kullanıcının beklemediği, ama beğendiği önerilerin oranı. Anketlerle ölçülür.

Bu metrikleri hesaplamak için veri analizi yardım alabilir, rapor yaptırma ile sonuçları düzenli hale getirebilirsiniz. Ayrıca çizim yaptırma ile grafikler oluşturabilirsiniz.

6. Uygulama Örneği: Python ile Basit Tavsiye Sistemi

Aşağıda, küçük bir kullanıcı-film puan matrisi üzerinde kosinüs benzerliğine dayalı öge tabanlı işbirlikçi filtreleme kodu verilmiştir (pseudocode, gerçek çalıştırmak için gerekli kütüphaneler eklenmelidir). soru çözdürme veya ücretli soru çözdürme ile bu kodları adım adım açıklayabiliriz.

import pandas as pd
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

# Örnek veri: kullanıcılar (satır) - filmler (sütun) puan matrisi
ratings = pd.DataFrame({
    'Film_A': [5, 4, 1, 2, np.nan],
    'Film_B': [4, 5, 2, 1, 3],
    'Film_C': [1, 2, 5, 4, 5],
    'Film_D': [np.nan, 3, 4, 5, 4]
}, index=['Kullanıcı1', 'Kullanıcı2', 'Kullanıcı3', 'Kullanıcı4', 'Kullanıcı5'])

# Öge-öge benzerlik matrisi (cosine)
item_sim = cosine_similarity(ratings.T.fillna(0))
item_sim_df = pd.DataFrame(item_sim, index=ratings.columns, columns=ratings.columns)

# Kullanıcı1 için Film_D önerisini tahmin et (Film_D boş)
user = 'Kullanıcı1'
target_item = 'Film_D'
# Kullanıcı1'in puanladığı filmler
user_ratings = ratings.loc[user].dropna()
# Ağırlıklı ortalama
numerator = 0
denominator = 0
for item, score in user_ratings.items():
    sim = item_sim_df.loc[target_item, item]
    numerator += sim * score
    denominator += abs(sim)
pred_score = numerator / denominator if denominator != 0 else 0
print(f"{user} için {target_item} tahmini puanı: {pred_score:.2f}")
# Çıktı: Kullanıcı1 için Film_D tahmini puanı: 4.17 (örnek)

Bu temel kodu geliştirerek, gerçek veri setlerinde (MovieLens, Amazon Reviews) kullanabilirsiniz. tez danışmanlık alarak bu sistemleri tez konusu yapabilir, kitap yaptırma ile de kitap haline getirebilirsiniz. Ayrıca motivasyon mektubu yazdırma ile bu projeyi iş başvurularınızda kullanabilirsiniz.

Sonuç: Tavsiye Sistemleri Modellerini Seçerken Dikkat Edilecekler

İçerik tabanlı filtreleme mi, işbirlikçi filtreleme mi yoksa hibrit bir model mi seçeceğiniz, verinizin yapısına, iş hedeflerinize ve teknik kısıtlara bağlıdır. Eğer ögeleriniz zengin metinsel özelliklere sahipse ve yeni ögeler sık ekleniyorsa içerik tabanlı model iyi çalışır. Eğer kullanıcı etkileşimleriniz yoğunsa ve keşfetme önemliyse işbirlikçi filtreleme daha başarılıdır. Çoğu profesyonel uygulama hibrit yaklaşımları tercih eder. Bu modelleri sıfırdan inşa etmek veya mevcut sisteme entegre etmek için modelleme yaptırma, veri analizi yaptırma ve proje danışmanlık hizmetlerimizden yararlanabilirsiniz.

Unutmayın, iyi bir tavsiye sistemi sadece doğru modeli seçmekle kalmaz; aynı zamanda veri temizleme, özellik mühendisliği, model değerlendirme, A/B testi, canlı sistem izleme ve sürekli güncelleme gerektirir. Bu süreçte akademi danışmanlığı alarak size özel bir yol haritası oluşturabilir, sunum yaptırma ile proje sonuçlarınızı paydaşlarınıza etkili şekilde anlatabilirsiniz. Ayrıca özet yazdırmak istiyorum diyerek tüm bu bilgileri tek bir sayfada özetletebilirsiniz. Tavsiye sistemleri dünyasına hoş geldiniz; doğru modelle başarılı öneriler sizinle olsun!

Bu makalede ele aldığımız içerik tabanlı filtreleme ve işbirlikçi filtreleme yöntemleri, tavsiye sistemlerinin geleceğini şekillendiren en önemli yaklaşımlar arasında yer almaktadır. Kullanıcı deneyimini geliştirmek, doğru öneriler sunmak ve verimliliği artırmak için bu modellerin gücünden yararlanmak, dijital dünyada başarıya giden yolda kritik bir adımdır.

The post Tavsiye Sistemleri Modelleri: İçerik Tabanlı Filtreleme, İşbirlikçi Filtreleme first appeared on Modelleme Yaptırma Merkezi & Danışmanlık.