Gri koyun kullanıcılar için öneri belirsizliğini ele almak üzere neutrosophic kümeleme yaklaşımı

Neden bazı insanlara tuhaf öneriler gidiyor

Akış hizmetleri ve alışveriş platformları genellikle bizi “tanıyormuş” gibi gelir, ancak birçok kişi için öneriler hâlâ hedefi ıskalar. Bu makale, zevkleri kalabalığa uymayan zor bir kullanıcı grubunu inceliyor ve belirsizliği görmezden gelmek yerine açıkça ele almanın bu kişilere yapılan önerileri önemli ölçüde nasıl iyileştirebileceğini gösteriyor.

Öneri motorlarını şaşırtan kullanıcılar

Çoğu öneri sistemi kalabalıktaki örüntülerden öğrenir: “sizin gibi insanlar bu filmleri, kitapları ya da şarkıları da beğendi.” Bu, zevkleriniz büyük bir grubunkine benziyorsa iyi çalışır. Ancak bazı kullanıcılar, “gri koyun” olarak adlandırılanlar, ana akım ve sıra dışı öğelerin bir karışımını sever; bu durum tek bir gruba açıkça uymayabilir. Onların puanları dağınıktır, sistem güvenilir komşu bulamaz ve ortaya çıkan öneriler genellikle yanlış veya tutarsız olur. Sorun seyrek verilerle daha da kötüleşir: tipik bir film veri setinde, tüm olası kullanıcı–film çiftlerinin %90’ından fazlasında puan yoktur, bu nedenle gri koyun kullanıcılar gürültü içinde pratiğe gizlenir.

Belirsizliği yararlı bir sinyale dönüştürmek

Yazarlar bu karışıklığı doğrudan ele almayı, kullanıcı davranışındaki belirsizliği açıkça modelleyerek öneriyor. “Neutrosophic” adını taşıyan bir mantık çerçevesi kullanıyorlar; bu çerçeve her bir kullanıcının bir kümeye uyumunu üç parçaya ayırır: ne kadar iyi uyuştuğu (doğruluk), uyumun ne kadar belirsiz olduğu (belirsizlik/kararsızlık) ve ait olmadığına dair açıklık (yanlışlık). Her kişiyi tek bir temiz gruba zorlamak yerine, neutrosophic k‑means kümeleme kullanıcıların kısmi ve hatta belirsiz üyeliklere sahip olmasına izin verir. En yüksek genel belirsizliğe sahip küme “gri koyun” grubu olur: zevkleri saptanması zor ama göz ardı edilmemesi gereken kişiler.

Öneriler için iki şeritli bir yol

Kullanıcılar ana akım ve gri koyun kümelerine ayrıldıktan sonra sistem onlara farklı davranır. Tipik kullanıcılar için standart bir madde‑tabanlı işbirlikçi filtreleme yöntemi kullanılır: öğeler, insanların onlara verdiği puanlara göre birbirleriyle karşılaştırılır ve kullanıcı zaten sevdiğine benzer öneriler alır. Gri koyun kullanıcılar için aynı madde‑tabanlı yöntem uygulanır, ancak yalnızca belirsizlik‑farkındalıklı kümeleme adımıyla dikkatle izole edildikten sonra. Bu ek katman, sistem desen ararken her gri koyun kullanıcıyı onların benzersiz, dağınık tercihlerini yansıtan öğe ve puanlama örüntüleriyle karşılaştırmasını sağlar; böylece bu tercihleri çoğunluğun içinde ortalamaya çekip yok etmez. Deneylerde öneri ayarları sabit tutulur; böylece elde edilen kazançlar ince ayar hilelerinden değil, gri koyun kullanıcıların daha iyi tanımlanmasına bağlanabilir.

Gerçekte ne kadar daha iyi oluyor?

Yazarlar çerçevelerini film (MovieLens 100K ve 1M) için iyi bilinen veri setlerinde test eder, ardından kitap (Book‑Crossing) ve müzik (Last.fm) için genişletirler. Popüler bir yumuşak kümeleme yöntemi (fuzzy c‑means) ve birkaç gelişmiş hibrit kümeleme ile karşılaştırıldığında, neutrosophic yaklaşımları tutarlı şekilde daha düşük tahmin hataları ve gri koyun kullanıcıların gerçekten sevdikleri öğeleri seçmede daha yüksek başarı elde eder. Örneğin MovieLens 100K veri setinde, gri koyun kümesi için precision ve recall yaklaşık %89 ve %91'e ulaşır; puanlama hataları da belirgin şekilde daha küçüktür. Yöntem, özellikle gri koyun kullanıcılar üzerinde değerlendirildiğinde birkaç derin öğrenme tabanlı öneriden de daha iyi performans gösterir; üstelik daha basit, daha şeffaf bir mimari kullanır. Temel avantaj kaba hesaplama gücü değil; belirsizliğin birinci sınıf bir sinyal olarak açıkça ele alınmasıdır.

Günlük kullanıcılar için bunun anlamı

Basitçe söylemek gerekirse, bu çalışma “bu kullanıcıdan emin değilim” demeyi, belirsizliği yok saymaktan daha güçlü kılabileceğini gösteriyor. Standart kalıplara uymayan kişilere adanmış bir yol açarak, önerilen sistem ihmal edilmiş bir kitleyi geri kazanır ve onlara daha doğru, çeşitli ve tatmin edici öneriler sunar. Mevcut çalışma metin veya görüntü gibi zengin içeriklerden ziyade puanlara odaklansa ve ağırlıklı olarak tüm kullanıcılardan ziyade gri koyunlara yoğunlaşsa da, pratik bir reçete sunar: belirsizliği tespit eden, onu açıkça ele alan ve önerilerin nasıl yapılacağını buna göre yönlendiren öneri boru hatları inşa edin. “Bu öneriler gerçekten ben değilim” diye düşünen herkes için bu yaklaşım gelecekteki sistemleri çok daha kişisel ve adil hissettirebilir.

Atıf: Samir, D., El Reheem, E.A., Darwish, S.M. et al. A neutrosophic clustering approach to handle recommendation uncertainty for gray sheep users. Sci Rep 16, 9663 (2026). https://doi.org/10.1038/s41598-026-41651-8

Anahtar kelimeler: öneri sistemleri, gri koyun kullanıcılar, belirsizlik modellenmesi, neutrosophic kümeleme, işbirlikçi filtreleme