Kişiselleştirmeyi geliştirmek için alan uyumlu RoBERTa gömme vektörleri kullanan hibrit bir öneri çerçevesi

Daha Akıllı Alışveriş Önerileri

Çevrimiçi alışveriş yapan herkes, tuhaf şekilde tam isabet veya en azından sıklıkla tamamen yanlış olan ürün önerileri görmüştür. Bu makale, öneri sistemlerini hem ürünlerin gerçekten ne olduğunu hem de insanların gerçekte neleri sevdiğini daha iyi anlayacak şekilde inşa etmenin yeni bir yolunu inceliyor; özellikle başlangıçta veri azsa bile. Amaç, “Şunu da beğenebilirsiniz” listelerini gündelik alışveriş yapanlar için daha doğru, daha çeşitli ve daha güvenilir hale getirmektir.

Çevrimiçi Seçimlerin Neden Sık Sık Kaçtığı

Geleneksel öneri sistemleri iki ana hileye dayanır. Biri sizi geçmişte sizin gibi davranmış insanlarla karşılaştırır ve onların beğendiği öğeleri önerir. Diğeri ise kategori, marka veya basit anahtar kelimeler gibi ürün özelliklerine bakar ve bunları bilinen tercihlerinize eşler. Bu yaklaşımlar, veriler seyrek olduğunda, yeni kullanıcılar veya ürünler ortaya çıktığında ("soğuk başlatma" sorunu) veya zevkleriniz zaman içinde değiştiğinde başarısız olur. Birçok gelişmiş “hibrit” sistem birkaç sinyali birleştirmeye çalışır, fakat milyonlarca kullanıcı ve öğeyle uğraşırken genellikle karmaşık, yavaş ve yorumlanması zor hale gelirler.

Önerilere Dil Anlayışını Getirmek

Yazarlar, insanların ürünlerden bahsetme biçimine dayanarak HyReC adında bir çerçeve öneriyor. Bu, RoBERTa adlı güçlü bir dil modelini kullanır; model, bebek ürünleri alanındaki incelemeler ve ürün açıklamaları üzerinde daha fazla eğitilerek bu metinlere “akıcı” hale getirilmiştir. Bu model başlıkları, açıklamaları ve öne çıkan yorumları ham metinden anlam ve duygu yakalayan yoğun sayısal parmak izlerine dönüştürür—örneğin insanların dayanıklılığı övdüğünü, sızıntıdan şikayet ettiğini veya kullanım kolaylığından bahsettiğini. Bu içerik parmak izleri, HyReC’in farklı marka adlarına veya hafifçe farklı ifadelere sahip olsa bile iki ürünün benzer olduğunu tanımasına yardımcı olur.

Davranış, Alışkanlıklar ve Görüşleri Birleştirmek

Sadece metin yeterli değildir; bu yüzden HyReC aynı zamanda kullanıcıların gerçekten nasıl davrandığını da öğrenir. Derin bir sinir ağı, hangi kullanıcıların hangi öğeleri puanladığı gibi kalıpları analiz ederek gizli bağlantıları keşfeder—örneğin belirli bebek arabalarını sevenlerin genellikle belirli oto koltuklarını da sevdiği gibi. Buna ek olarak sistem, her kullanıcının ortalama puanı, ne kadar seçici veya cömert oldukları, ne sıklıkla etkileşimde bulundukları ve puanlamalarının çok yüksek veya çok düşük değerlere kayıp kaymadığı gibi basit, yorumlanabilir istatistikler hesaplar. Ürünler için de benzer istatistikler hesaplanır. Bu davranış özeti, az sayıda puana sahip kullanıcılar veya yeni ortaya çıkan öğeler hakkında sistemin akıl yürütebilmesine yardımcı olarak soğuk başlatma sorunlarını hafifletir.

Modelin Neyin Daha Önemli Olduğuna Karar Vermesine İzin Verme

HyReC’teki temel yenilik, bu farklı sinyalleri nasıl birleştirdiğidir. Tüm sayıları basitçe üst üste koymak yerine, içerik, birlikte çalışılabilir kalıplar ve davranış istatistiklerini her kullanıcı–ürün çifti için farklı şekilde ağırlamayı öğrenen bir “attention” (dikkat) mekanizması kullanır. Bir alıcı için yorumlardaki metin en fazla ağırlığı taşıyabilir; bir başkası için geçmiş puanlama kalıpları baskın olabilir. Model daha sonra bu harmanlanmış temsili, aday öğeleri en alakalı olanların en üste çıkacağı şekilde sıralamak üzere özel olarak tasarlanmış bir sıralama katmanına besler. Eğitimin optimizasyonu, yalnızca ham puan tahminleri yerine gerçek dünya “Top-K” öneri listelerinde iyi performans göstermeye yardımcı olan sıralama görevlerine göre ayarlanmıştır.

Yaklaşımı Gerçek Alışveriş Verileri Üzerinde Kanıtlamak

HyReC’i test etmek için yazarlar, binlerce kullanıcı ve öğe arasında 56.000’den fazla yorumu içeren bir Amazon Baby ürünleri veri seti kullanır. Modellerini derin öğrenme ve grafik tabanlı yaklaşımlar dahil olmak üzere birkaç modern temel yöntemle karşılaştırırlar. HyReC, tahmin hatalarını önemli ölçüde düşürür ve gerçek kullanıcı puanlarıyla neredeyse mükemmel uyum gösterir; ayrıca bir sıralama sistemi olarak değerlendirildiğinde çok yüksek geri çağırma (recall) ve F1 skorları elde eder. Daha fazla deney, içerik gömme vektörleri, işbirlikçi sinyaller, davranış istatistikleri, dikkat mekanizması veya sıralama katmanı gibi bileşenlerden herhangi birinin çıkarılmasının performansı belirgin şekilde düşürdüğünü gösterir; bu da her bir parçanın ayrı ve önemli bir rol oynadığını vurgular.

Gündelik Kullanıcılar İçin Bunun Anlamı

Basitçe söylemek gerekirse, bu çalışma öneri sistemlerinin tek bir bilgi kaynağına dayanmak yerine insanların söylediklerini, yaptıklarını ve zaman içinde nasıl davrandıklarını birleştirerek hem daha akıllı hem de daha şeffaf hale gelebileceğini gösteriyor. Alışveriş yapanlar için bu, daha ilgili öneriler, yeni veya niş ürünlerin daha iyi keşfi ve gezinme sırasında daha az hayal kırıklığı anlamına gelebilir. Şirketler içinse bu, sistemlerini kara kutuya çevirmeden seyrek veriler ve değişen zevklerle başa çıkmak için ölçeklenebilir bir yol sunar. Yazarlar, gelecekteki genişletmelerin görüntüler veya uzun vadeli geri bildirim döngüleri gibi daha zengin sinyaller ekleyerek çevrimiçi kişiselleştirmeyi düşünceli bir insan satış danışmanının yönlendirmesine daha da yaklaştırabileceğini öne sürüyorlar.

Atıf: Rajpoot, C.S., Tiwari, V. & Vishwakarma, S.K. A hybrid recommendation framework utilizing domain-adaptive RoBERTa embeddings for enhanced personalization in e-commerce. Sci Rep 16, 14541 (2026). https://doi.org/10.1038/s41598-026-38853-5

Anahtar kelimeler: öneri sistemleri, e-ticaret kişiselleştirme, hibrit öneri, derin öğrenme, kullanıcı davranışı