DeepSentRec: duygu farkındalıklı derin öğrenmeye dayalı ürün öneri sistemi

Neden Daha Akıllı Öneriler Önemli

Çevrimiçi alışveriş yaptığınızda, bir diziyi ardı ardına izlediğinizde veya restoran yorumlarını kaydırırken, görünmez algoritmalar sonraki olarak ne gördüğünüze karar verir. Ancak bu sistemler genellikle önemli bir şeyi kaçırır: satın aldıklarınız veya izledikleriniz hakkında gerçekten ne hissettiğiniz. Bu makale, DeepSentRec adlı yeni bir öneri çerçevesini tanıtıyor; bu çerçeve yalnızca neye tıkladığınızı değil, yazılı incelemelerinizin tonunu—heyecanınız, hayal kırıklığınız veya ilgisizliğiniz—okumaya çalışıyor ve bu duygusal sinyali gelecekteki önerileri daha insan odaklı bir biçimde uyarlamak için kullanıyor.

Yıldız Puanlarından Gerçek Duygulara

Mevcut çoğu öneri motoru sayılara çok dayanır: yıldız puanları, geçmiş tıklamalar ve satın alma geçmişi. Kullanıcı yorumlarını genellikle dağınık ve ölçeklenmesi zor uzun metinler olarak ele alırlar. Sonuç olarak, üç yıldızın isteksiz bir kabullenme ile mi yoksa hafif bir övgü ile mi verildiği gibi zengin ipuçlarını kaçırırlar. Önceki araştırmalar, metinde ifade edilen olumlu, nötr veya olumsuz duygu olan sentimentin kişiselleştirmeyi iyileştirebileceğini göstermiştir, ancak birçok sistem bunu önerilerin nasıl oluşturulduğu ve sıralandığı konusunda merkezi bir unsur yapmak yerine yüzeysel bir ek özellik olarak ekler.

Birlikte Çalışan Üç Beyin

DeepSentRec, duyguları, davranışı ve geri bildirimden öğrenmeyi tek bir döngüde ören üç parçalı bir boru hattı olarak tasarlandı. Öncelikle SentimentBERT adlı bir duygu modülü inceleme metnini okuyup her inceleme için basit bir onay veya redden öte ince taneli bir duygusal parmak izi üretir. İkinci olarak, hibrit bir öneri modülü iki dünya görüşünü harmanlar: sizin gibi davranmış kişiler (işbirlikçi filtreleme) ve incelemeleri benzer anlamlar ve duygular taşıyan ürünler (semantik benzerlik). Üçüncü olarak, pekiştirmeli öğrenmeye dayalı bir sıralama öğrenme modülü kullanıcıların nasıl tepki verdiğine—tıkladıkları, satın aldıkları veya görmezden geldiklerine—bağlı olarak önerilen ürünlerin sırasını sürekli yeniden düzenler.

Birçok Sesten Öğrenme

Bu mimarinin gerçekten insanların daha alakalı öğeler bulmasına yardımcı olup olmadığını test etmek için yazarlar DeepSentRec’i dört büyük, gerçek dünya veri kümesi üzerinde eğittiler ve değerlendirdiler: Amazon ürün incelemeleri, Yelp işletme incelemeleri, IMDB film incelemeleri ve bir Kaggle e-ticaret geri bildirim koleksiyonu. Herhangi bir öğrenme gerçekleşmeden önce metin dikkatle temizlenir ve modern dil modellerine uygun parçalara ayrılır. SentimentBERT önce iyi etiketlenmiş film incelemeleri üzerinde eğitilir ve ardından Amazon ve Yelp üzerinde ince ayar yapılır, böylece farklı yazım stillerine ve alanlara uyum sağlayabilir. Sistem ayrıca her kullanıcının her ürünle nasıl etkileşime girdiğine dair sıkıştırılmış temsiller oluşturur ve bunları duygu farkındalıklı metin gömme vektörleriyle birleştirerek daha zengin bir zevk resmi ortaya koyar.

Geri Bildirimi Daha İyi Sıralamalara Dönüştürmek

DeepSentRec’in en ayırt edici yönü, sıralamayı statik bir hesaplamadan ziyade devam eden bir konuşma olarak ele alış biçimidir. Proximal Policy Optimization adlı bir pekiştirmeli öğrenme tekniği kullanarak sistem her sıralanmış listeyi bir karar ve her kullanıcı tepkisini bir ödül veya ceza olarak ele alır. Tıklamalar, satın almalar ve atlamalar, modeli kısa vadeli hızlı tıklamalardan ziyade uzun vadeli etkileşimi getiren öğeleri öne çıkarmaya teşvik eden bir skora dahil edilir. Zamanla sıralama politikası, farklı sıralamaları deneyip daha anlamlı etkileşimlere—örneğin satın alma veya tekrarlı kullanım—yol açanları koruyarak gelişir.

Gerçek Kullanıcılar İçin Sonuçlar Ne Gösteriyor

Amazon ve Kaggle e-ticaret veri kümeleri genelinde DeepSentRec, sadece geçmiş davranışa veya basit metin eşleştirmeye dayalı geleneksel yöntemleri tutarlı şekilde geride bırakır. Üst önerilerin daha büyük bir kısmının gerçekten alakalı olduğu daha yüksek kesinlik, kullanıcıların önem verdiği öğelerin daha fazlasını bulan daha iyi geri çağırma ve daha güçlü sıralama kalite ölçütleri sunar. Gerçek platformlar için en önemlisi, tıklama oranlarını ve kullanıcı tepkilerinin birden çok yolunu birleştiren genel bir katılım skorunu artırmasıdır. Sistematik bileşen çıkarma çalışmaları (ablation) her bölümün önemli olduğunu gösterir: duygu modellemesi doğruluğu artırır, metin-artı-etkileşim hibrit modeli kapsamı geliştirir ve pekiştirmeli öğrenici öneriler üzerinde kullanıcıların harekete geçme sıklığını daha da yükseltir.

Günlük Öneriler İçin Ne Anlama Geliyor

Daha açık bir ifadeyle, çalışma öneri motorlarının incelemelerde ne söylediğinize tıklamalarınızı izledikleri kadar dikkatle kulak verdiklerinde ve yalnızca eski kalıplara dayanmak yerine en son davranışlarınızdan öğrenmeye devam ettiklerinde dikkate değer biçimde daha iyi hale geldiğini ileri sürüyor. DeepSentRec duygusal tonu, metinden bağlamı ve sürekli geri bildirimi birleştirmenin daha zamanında, alakalı ve kişisel hissettiren öneriler üretebileceğini gösteriyor. Mevcut çalışma İngilizce incelemelere ve çevrimdışı deneylere odaklansa da, neredeyse gerçek zamanlı uyum sağlayabilen ve birden çok dil ve alana genişletilebilen yeni nesil sistemlere işaret ediyor; bu da alışverişten öğrenmeye kadar dijital deneyimleri insanların gerçekte nasıl hissettiği ve davrandığıyla daha uyumlu hale getirebilir.

Atıf: Kollu, S.R.P., Garapati, Y. DeepSentRec: a deep learning-based sentiment-aware product recommendation system. Sci Rep 16, 10580 (2026). https://doi.org/10.1038/s41598-026-45953-9

Anahtar kelimeler: öneri sistemleri, duygu analizi, e-ticaret kişiselleştirme, derin öğrenme, pekiştirmeli öğrenme