Öneri algoritmaları: akışınızda ne göreceğinizi ne belirliyor

Akışınızı dolduran içerik rastgele seçilmiyor; ama birinin oturup “bunu göster” demesiyle de seçilmiyor. Arada istatistiksel bir makine var ve mantığını bilmek, gördüğünüz şeyi doğru okumayı sağlıyor.

İki temel yaklaşım

• İçerik tabanlı: öğenin kendi özelliklerine bakar. Bir müzik parçasının tempo ve tür bilgisi, bir yazının konusu, bir videonun etiketleri. “Bunu sevdiyseniz benzerini de sevebilirsiniz” mantığı.
• İşbirlikçi filtreleme: öğeye değil davranışlara bakar. “Sizinle benzer şeyleri beğenen insanlar şunu da beğendi.” İlginç tarafı, sistemin içeriğin ne hakkında olduğunu bilmesine gerek olmaması.

Modern sistemler ikisini birleştiriyor ve bunu gömme denen temsiller üzerinden yapıyor: her kullanıcı ve her öğe, çok boyutlu bir uzaydaki bir noktaya dönüştürülüyor. Yakın noktalar benzer anlamı taşıyor. Aynı fikrin belge aramada nasıl kullanıldığını RAG yazısında anlatmıştık — teknik temel aynı.

İki aşamalı mimari

Milyonlarca öğe arasından seçim yapmak tek adımda mümkün değil, bu yüzden iş iki kademeye bölünür:

1. Aday üretme: milyonlardan birkaç yüze inilir. Hızlı ve kaba; benzerlik aramasıyla, abone olduğunuz kaynaklarla ve popülerlikle çalışır.
2. Sıralama: kalan adaylar için ayrıntılı bir model, her biri için “bu kişi bunu izler mi, beğenir mi, paylaşır mı” tahminleri üretir ve bunları ağırlıklı bir puana çevirir.

Üstüne genellikle bir yeniden sıralama katmanı gelir: aynı kaynaktan üst üste içerik gelmesin, tazelik korunsun, kurallara aykırı içerik düşsün, reklam yerleşimi yapılsın. Akışta gördüğünüz çeşitlilik çoğu zaman modelin tahmininden değil, bu katmanın kurallarından geliyor.

Hangi metrik optimize ediliyor

Burası sistemin karakterini belirleyen yer. Ölçülmesi en kolay şey tıklama ve izleme süresi; ama yalnızca bunları optimize eden bir sistem, dikkat çekip sonra pişmanlık bırakan içerikleri öne çıkarır.

Bu yüzden büyük platformlar zamanla daha dolaylı hedeflere geçti: memnuniyet anketleri, uzun vadeli geri dönüş oranı, “ilgilenmiyorum” sinyalleri, tamamlanma oranı ve paylaşma gibi daha pahalı eylemler. Yine de temel gerilim duruyor — ölçülebilen şey ile değerli olan şey aynı değil.

Soğuk başlangıç

Yeni bir kullanıcı ya da yeni bir içerik hakkında veri yoktur. Sistemler bunu üç yolla aşıyor: popüler olanı göstermek, hesap açılışında ilgi alanı sormak ve yeni içeriği küçük bir kitleye deneme amaçlı dağıtmak.

Bu son nokta, “aynı video bazen patlıyor bazen görülmüyor” hissinin açıklaması: içerik küçük bir örnek kitleye gösterilir, tepki ölçülür ve iyi tepki alan içerik daha geniş dağıtıma açılır. Yani ilk birkaç yüz gösterimdeki tepki, sonraki her şeyi belirliyor.

Geri besleme döngüsü ve yanlılık

Sistem yalnızca gösterdiği içeriğin tepkisini görebiliyor. Hiç göstermediği bir içerik hakkında veri toplamıyor — bu, kendi kendini doğrulayan bir döngü yaratıyor:

• Popülerlik yanlılığı: çok gösterilen çok tepki alır, çok tepki alan daha çok gösterilir.
• Konum yanlılığı: listede üstte olan tıklanır; tıklandığı için “iyi” sayılır.
• Keşif-sömürü dengesi: sistem güvenli seçimler yapmakla yeni şeyler denemek arasında bilinçli bir oran tutmak zorunda. Akışınıza ara ara alakasız içerik gelmesinin nedeni bu — hata değil, keşif.

Filtre balonu tartışması da burada başlıyor. Araştırma tablosu tek yönlü değil: bazı çalışmalar öneri sistemlerinin çeşitliliği azalttığını, bazıları kullanıcıların kendi seçimlerinin daha belirleyici olduğunu buldu. Bu tür iddiaları okurken çalışma okuma yazısındaki sorular işe yarıyor.

Veri tarafı

Öneri sistemleri davranış verisiyle çalışır: ne izlediğiniz, ne kadar durakladığınız, neyi geçtiğiniz, hangi saatte açtığınız. Bu veri, içeriğin kendisinden daha değerli olabiliyor.

Kullanıcının elindeki gerçek kontroller sınırlı ama var: izleme ve arama geçmişini temizlemek, “bu içeriği önerme” demek, takip listesini budamak ve varsa kronolojik akışı seçmek. Verinin nereye gittiği sorusunu veri gizliliği yazısında ele aldık.

“Neden bunu gördüm” neden açıklanamıyor

Sıralama puanı yüzlerce sinyalin birleşiminden çıkıyor; tek bir nedene indirgenmesi çoğu zaman mümkün değil. Platformların sunduğu açıklamalar (“bu kanalı izlediğiniz için”) gerçek nedenin basitleştirilmiş bir temsili. Yani açıklama eksikliği her zaman gizleme değil; bazen gerçekten tek bir cevap yok.

Öneri sistemi size ne istediğinizi sormuyor; benzer davranan insanların ne yaptığına bakıp tahmin ediyor. Tahminin iyiliği, neyi ölçtüğüne bağlı.