Kişiselleştirilmiş öneri sisteminin algılanan karmaşıklık ve yenilikçilikle yönlendirilen grafik dikkat ağları kullanılarak iyileştirilmesi

Neden daha akıllı öneriler önemli

Her çevrimiçi alışveriş yaptığınızda, hangi ürünleri beğenme olasılığınızın en yüksek olduğunu tahmin eden gizli bir motor çalışır. Bu motorların çoğu esas olarak hangi öğelere tıkladığınızı ve yorumların olumlu mu yoksa olumsuz mu göründüğünü izler. Bu makale, böyle bir yaklaşımın yüzeysel kaldığını savunuyor. Yazarlar, müşterilerin bir ürünü ne kadar "kullanımı kolay" ve ne kadar "yeni ya da yenilikçi" bulduklarını anlamanın önerileri çok daha tatmin edici ve isabetli hâle getirebileceğini gösteriyor. Yazılı incelemeleri okuyan, bu daha derin algıları öğrenen ve ardından insanların rahatlık düzeyleri ve yeniliğe açıklıklarıyla daha iyi eşleşen ürünleri önermek için bunları kullanan yeni bir öneri sistemi kurup test ediyorlar.

Basit beğeni veya onay dışına bakmak

Geleneksel öneri sistemleri yıldız puanlarına ve temel duygu analizine büyük ölçüde güvenir: bir inceleme olumlu, olumsuz mu yoksa tarafsız mı? Kullanışlı olmakla birlikte, bu önemli nüansları gözden kaçırır. Bir cihaz yüksek puan almış olabilir ancak kurulumu hâlâ kafa karıştırıcı gelebilir veya çok özgün bir ürün bazı müşterileri sevindirirken diğerlerini bunaltabilir. Yazarlar, göz ardı edilen iki bileşenin—algılanan karmaşıklık (bir ürünün kullanımı ne kadar basit veya zor göründüğü) ve algılanan yenilik (ne kadar taze veya yeni hissettirdiği)—bir kişinin gerçekten satın alıp kullanmaya devam edip etmeyeceğini güçlü biçimde şekillendirdiğini ileri sürüyor. Bu özellikleri incelemelerdeki günlük dilden yakalamak, düz ve kullanımı kolay araçları tercih eden kullanıcılarla deney yapmayı seven yeniliğe açık kullanıcıları hedeflemede yardımcı olabilir.

Bir sistemi incelemelerdeki nüansı okumaya öğretmek

Bu daha ince sinyallere erişmek için araştırmacılar binlerce Amazon ürün incelemesiyle başladılar. İnsan değerlendiriciler her incelemeyi ürünün ne kadar karmaşık ve ne kadar yenilikçi göründüğüne göre dikkatle etiketlediler; birbirleriyle tutarlı olmalarını sağlamak için sıkı yönergeler ve kontroller uyguladılar. Ardından bu etiketleri, ilgili kelime sözlükleri, kelime duygu ölçümleri ve sistemin kararlarını en çok etkileyen kelimeleri vurgulayan açıklanabilir yapay zeka teknikleri gibi dil araştırması araçlarıyla genişlettiler. Bu süreç, etiketleme kurallarını şeffaf ve denetlenebilir tutarken yeni incelemeleri basitlik-ziyade zorluk ve yenilik-ortodoksluk ölçeklerinde otomatik olarak puanlamalarına olanak sağladı.

Müşteri görüşlerini bir bilgi ağına dönüştürmek

İncelemeler etiketlendikten sonra ekip her birini bağlamında anlamını yakalayan zengin bir sayısal özet hâline dönüştürdü. Benzer cümleleri matematiksel bir uzayda birbirine yakın konumlandırmayı öğrenen modern bir dil modeli kullandılar; böylece "kolay kurulum"u tanımlayan incelemeler bir araya kümelenirken, "karmaşık menüler"i anlatanlar farklı bir küme oluşturuyor. Bunun üzerine, algılanan karmaşıklık ve yenilik desenlerini paylaşan incelemeler ve ürünleri birbirine bağlayan bir grafik—bir bağlantı ağı—kurdular. Grafik dikkat ağı adı verilen uzmanlaşmış bir model, bu ağdaki en bilgilendirici bağlantılara odaklanmayı, bir öğeye güçlü, orta veya zayıf öneri verilip verilmeyeceğini tahmin ederken hangi ilgili ürünlerin ve incelemelerin en fazla önem taşıması gerektiğini ağırlıklandırmayı öğreniyor.

Veriyi dengelemek ve seçimleri açıklamak

Gerçek dünya verileri genellikle dengesizdir: "önerilen" ürünler "önerilmeyen"lerden çok daha fazla olabilir ya da tam tersi. Sistemin sadece çoğunluğu tercih eden yanlı davranmasını önlemek için yazarlar, az temsil edilen gruplar için gerçekçi ek örnekler üreten bir teknik kullandılar; böylece eğitim havuzunu temel desenleri bozmadan dengelediler. Ayrıca öğrenme sırasında modelin daha nadir durumlara da adil şekilde dikkat etmesi için ağırlıklandırma stratejileriyle bunları birleştirdiler. Kritik olarak, sistemin kararlarına nasıl vardığını incelemek için açıklanabilir yapay zeka yöntemleri uyguladılar; bir ürünü Evet, Orta veya Hayır önerisine en çok iten kelimeleri ve inceleme kalıplarını geriye doğru izlediler. Bu, sistem davranışını tasarımcılara, işletmelere ve potansiyel olarak son kullanıcılara daha anlaşılır kılıyor.

Yeni sistemin performansı nasıl

Ortaya çıkan sistem GAT-RS adlı bazı güçlü modern kıyaslara karşı test edildi; bunlar arasında inceleme analizinde zaten iyi performans gösteren derin öğrenme modelleri de vardı. GAT-RS yalnızca bu yaklaşımlarla eşleşmekle kalmadı, onları aştı: test vakalarının yaklaşık 100’ünde 95’ini doğru sınıflandırdı ve önerilip önerilmemesi gereken ürünleri ayırma konusunda çok yüksek bir yetenek gösterdi. Kalan ana zorluk, ne açıkça önerilen ne de açıkça reddedilen sınırdaki vakaları ayırt etmekte yatıyor—ancak burada bile hatalar görece ılımlı kaldı. Genel olarak sistem, gerçekten güvenli bir öneriyi hak eden öğeleri tanımlamada özellikle güçlü olduğunu kanıtladı.

Günlük alıcılar için bunun anlamı

Basitçe ifade etmek gerekirse, bu çalışma öneri motorlarının incelemelerdeki olumlu duyguları tespit etmekten daha fazlasını yapabileceğini gösteriyor. Bir ürünün basit veya talepkar hissetip hissetmediğine ve köklü ve güvenilir mi yoksa cesurca yeni mi göründüğüne dikkat ederek sistemler önerileri bireysel düşünce tarzlarına ve yenilik merakına göre eşleştirebilir. Alıcılar için bu, çok karmaşık veya çok sıkıcı çıktığı için pişmanlık duyulan satın almalardan daha az, doğal bir uyum hissi veren daha fazla ürün anlamına gelebilir. İşletmeler içinse, yalnızca isabetli değil, aynı zamanda belirli bir öğenin neden önerildiğini de açıklayan daha güvenilir ve etkili öneri araçlarına giden bir yol sunar.

Atıf: Ullah, S., Khan, A., Khan, K.U. et al. Improving personalized recommendations system using graph attention networks driven by perceived complexity and innovation. Sci Rep 16, 11286 (2026). https://doi.org/10.1038/s41598-026-41019-y

Anahtar kelimeler: kişiselleştirilmiş öneriler, ürün incelemeleri, grafik dikkat ağları, algılanan karmaşıklık, algılanan yenilik