Bu blog yazısında öneri algoritmalarının önemi ve nerelerde kullanılabildiği konusunda araştırma özeti sunulmuştur. 

Öneri Sistemlerine Giriş 

İnternet kullanımı son on yıllarda önemli ölçüde arttı. Artık insanlar internette ve sosyal medya platformlarında eskiye göre çok daha fazla zaman harcamaktadır. İnterneti kullanan kişiler, ziyaret ettikleri platforma göre bir takım haber, makale ve video önerilerine maruz kalmaktadır. Arama motorları, alışveriş siteleri, gazete siteleri, öğrenme portalları ve sosyal medya dahil olmak üzere hemen hemen tüm web siteleri tavsiye sistemlerini kullanır. Öneri (tavsiye) sistemleri, insanlara ürün veya hizmet önerilerinde bulunmak için kullanılan bir makine öğrenmesi tekniğidir. Bu sistemler, bir kullanıcının geçmiş tercihleri, satın alma alışkanlıkları ve diğer verileri analiz ederek, o kullanıcının ilgisini çekebilecek ürünleri veya hizmetleri önerir. Aslında tavsiye sistemleri yeni değildir ve web sitelerine veya bilgi teknolojilerine özgü de değildir. İnsanlık tarih boyunca belirli kişi veya sistemlerin tavsiyelerini kullanmıştır. Modern öneri sistemleri, temel insan davranışından esinlenmiştir; bireyler genellikle rutin, günlük kararlar alırken başkaları tarafından sağlanan tavsiyelere güvenirler. 

Teknoloji devleri, içerik veya öğelerin dünyadaki herhangi biri tarafından oluşturulmasını ve tüm dünyaya yayınlanmasını sağlayan sosyal medya platformları geliştirdi. İçerik veya öğe, algoritma ve kullanıcı etkileşimlerine bağlı olarak platformun diğer kullanıcılarına önerilir. Tablo-1 de gösterildiği gibi, dokuz tip sosyal medya platformu vardır.

Öneri Algoritmaları Nedir ve Nerelerde Kullanılır

Öneri algoritmaları, insanlara ürün veya hizmet önerilerinde bulunmak için kullanılan bir makine öğrenmesi tekniğidir. Bu sistemler, bir kullanıcının geçmiş tercihleri, satın alma alışkanlıkları ve diğer verileri analiz ederek, o kullanıcının ilgisini çekebilecek ürünleri veya hizmetleri önerir. Günlük hayatta kullandığımız neredeyse tüm web siteleri öneri sistemlerini kullanmaktadır. Arama motorları, alışveriş siteleri, resim paylaşım platformları ve video paylaşım platformları kullanıcılarına öneri algoritmalarını kullanarak içerik önerisi sunmaktadır. Bu sistemler, bir kullanıcının geçmiş tercihleri, satın alma alışkanlıkları ve diğer verileri analiz ederek, o kullanıcının ilgisini çekebilecek ürünleri veya hizmetleri önerir. Tavsiye sistemleri, birçok endüstride kullanılır. Örneğin, e-ticaret siteleri müşterilerine ürün önerileri sunabilir, müzik akışı hizmetleri dinleyicilere yeni şarkılar veya sanatçılar önerebilir ve video akışı siteleri kullanıcılara yeni filmler veya TV şovları önerir. Yani bir haber sitesine girdiğimizde bize önerilen haberler aslında algoritmanın çalışarak bize özel eşleştirdiği haberlerdir. Benzer şekilde bir alışveriş sitesinde bize önerilen ürünler algoritmanın bizim hakkımızda eriştiği bilgileri kullanarak bize önerdiği ürünlerdir. Benzer olarak Netflix veya YouTube gibi video içeriği sağlayan bir siteye girdiğimizde bize önerilen videolar algoritmanın bizim için seçtiği içeriktir. Bazı siteler içerik önerisi sistemlerini gizli tutarak hangi içeriği neden önerdiğinin bilgisini paylaşmamaktadır. Bazı siteler kısmen, bazılarıysa tamamen açık olarak tavsiye sistemlerinin neden o içeriği önerdiğini bildirmektedir. Şekil 1’de YouTube’da ana sayfada önerilen videolardan birinin neden önerildiği video üzerinde açıklanmıştır. 

Akademisyenler ve araştırmacılar öneri sistemlerini adillik, hesap verebilirlik, şeffaflık ve açıklana bilirlik açısından incelemektedir. Kullanıcılar da bu sistemlerde hangi içeriğin neden kendilerine önerildiğini öğrenmek istediği için bazı firmalar içerik önerisi sistemlerini herkese açık hale getirmiştir. 

Sosyal medyadaki içeriklerin bir kısmı o konunun uzmanları tarafından oluşturulsa da onlarca yanlış bilgilendirme, manipülasyon ve dolandırıcılık odaklı içerik bulunmaktadır. Tavsiye sistemleri bu platformlardaki kullanıcılara yapılan her öneride de rol sahibidir. Tavsiye sistemleri genellikle iki ana tipe ayrılır: İçerik tabanlı tavsiye sistemleri ve işlem tabanlı tavsiye sistemleri. İçerik tabanlı sistemler, kullanıcının geçmiş tercihlerine dayanarak benzer özelliklere sahip ürünleri önerirken, işlem tabanlı sistemler, kullanıcının geçmiş davranışlarına dayanarak öneriler sunar. Önerilen içerik, kullanıcının aktivitelerinden (post-hoc olarak bilinir) veya bir algoritmadan gelebilir. Hatta hiç kullanıcı aktivitesi olmadan sadece içeriği birbiriyle eşleştiren algoritmalar bile vardır. Örneğin yönetmen, oyuncular ve filmin kategorisi gibi içeriğin özelliklerine veya meta verilerine dayalı olarak içeriği ilişkilendiren grafiklerine dayalı öneri sistemleri bulunmaktadır. Ayrıca, çok etmenli sistem teknolojileri, katılma ve karşı olmayı birleştirerek öneriler sağlayabilir. Tavsiye sisteminin yapay zekâsı (ayrıca genel olarak yapay zekâ) kara kutu tasarımı nedeniyle eleştirilir. Ancak firmalar adalet, hesap verebilirlik, şeffaflık ve açıklama yeteneği (FATE) ekleyerek bu eleştirilere karşı durmaya çalışmaktadır. 

Öneri Algoritmalarının Geleceği 

Açıklana bilirlik ilkesinin fonksiyonel olmayan bir gereklilik olarak (non functional requirement) yazılım geliştirme süreçlerine eklenmesi tartışması devam etmektedir. Önerileri 5W’ye (ne, ne zaman, kim, nerede ve neden) kategorize ederek platformun kullanıcılarına önerilen içeriği açıklamanın önemi akademisyenler tarafından araştırılmaktadır. Ayrıca bu tür öneri algoritmalarının bağımsız denetçiler tarafından denetlenmesi ve onaylanmasının kanun haline getirilmesi Avrupa Birliğinde tartışılmaktadır. Özellikle 2016’daki ABD seçimlerini manipüle etmek için sosyal medyanın kullanılmasının ve yabancı trol fabrikaları tarafından yönetilen sahte sosyal medya gruplarının ifşa edilmesi ile öneri sistemleri çokça eleştirilmiştir. Elon Musk’ın Twitter’ın öneri sistemlerini herkese açması ( https://github.com/twitter/the-algorithm ) sonrasında diğer firmaların atacağı adımlar merak konusudur.

Referanslar: 

Rose Catherine, Kathryn Mazaitis, Maxine Eskenazi, William Cohen, Explainable Entity-based Recommendations with Knowledge Graphs, [cs.IR] 2017 
https://edition.cnn.com/2017/10/05/politics/heart-of-texas-russia-event/index.html, 2017,accessed on 6 Nov 2021 
Yongfeng Zhang and Xu Chen, “Explainable Recommendation: A Survey and New Perspectives”, Foundations and Trends® in Information Retrieval: Vol. 14, No. 1, pp 1–101. DOI: 10.1561/1500000066,2020 
Donghee Shin, The effects of explainability and causability on perception, trust, and acceptance: Implications for explainable AI, International Journal of Human – Computer Studies ,2021 
Chazette, L., &Schneider, K. (2020). Explainability as a non-functional requirement. Require. Eng.10.1007/s00766-020-00333-1 
Maximilian A Köhl, et al., Explainability as a Non-Functional Requirement, IEEE 27th International Requirements Engineering Conference (RE) (2019) 
Larissa Chazette, et al, Exploring Explainability: A Definition, a Model, and a Knowledge Catalogue, IEEE 29th International Requirements Engineering Conference (RE) (2021) 
Larissa Chazette, Wasja Brunotte, Timo Speith, Do End-Users Want Explanations? Analyzing the Role of Explainability as an Emerging Aspect of Non-Functional Requirements, IEEE 27th International Requirements Engineering Conferenc (RE) (2019) 
https://blog.hootsuite.com/types-of-social-media/#Types_of_social_media_platforms_and_formats_you_should_know_in_2021