Mühendislik ve Teknoloji

Netflix Size Doğru İçeriği Nasıl Sağlar? Netflix Ve Öneri Sistemleri

İşten eve gelip, bir şeyler izlemek için Netflix’e giriş yaptığınız anda size bir dizi heyecan verici öneri karşılar. Tüm bunlar ana sayfada beğeninize sunulur. Siz de aralarından tercihinizi yaparsınız. Öneriler tamamen otomatik olarak oluşur ve siz yeni bir şeyler izledikçe değişir. Netflix bunu elbette kullanıcıları hakkında sahip olduğu bilgilere dayanarak yapar. Peki, hiç Netflix’in zevkinize uygun bu dizileri, filmleri ya da belgeselleri nasıl seçtiğini düşündünüz mü? Düşünmediyseniz size arka plandaki veri bilimi hakkında biraz detay anlatalım. Öneri sistemlerini ( Recommendation Systems) tanıyalım.

Netflix ve Veri Bilimi

Veri Bilimi, temelde istatistik, olasılık ve programlamadan oluşan disiplinler arası bir bilimdir. Veri bilimi büyük veri kümelerindeki kalıpları arar. Netflix de veri odaklı bir şirkettir ve geniş bir kullanıcı tabanına sahip olduğu için muazzam miktarda veri toplamaktadır. Netflix ağına ilk katıldığınızda, şirketin ilgi alanlarınız, beğenileriniz veya sevmediğiniz şeyler hakkında herhangi bir bilgisi yani verisi yoktur. Bu durumda işin içine algoritmalar girer. Netflix, zevkinizin ne olduğunu anlamaya çalışmak için seçimlerinizi kullanır. Netflix’in kullanıcılarını mutlu etmek için kullandığı temel strateji ise etiketlemedir. Kullanıcılar filmi izler ve filmin içerdiği unsurlar etiketlenir. Böylece devamında kullanıcılara etiketledikleri unsurlarla örtüşen diğer filmler önerilecektir.

Netflix’te düzenli olarak oturum açmaya başladığınızda, Netflix’in genellikle görmek istediklerinize dikkat çektiğini fark edeceksiniz. Bu, öneri sistemi olarak bilinen bir şeyin sayesinde olur. Öneri sistemleri, birçok farklı faktöre dayalı olarak kullanıcıya bir şeyler önermek için tasarlanmış sistemlerdir. Bu sistemler, kullanıcıların satın alma olasılığı en yüksek olan ve ilgilendikleri ürünü tahmin eder. Birden çok öneri sistemi vardır.

Netflix’in algoritması diğer sosyal medya platformları gibi insanların davranışlarını taklit eder. Sizin zevkinize sahip birçok insanın da izlediği filmleri büyük ölçüde izleyeceğinizi varsayar. Sevdiğiniz birçok filme benzeyen bir filmi beğeneceksiniz mantığı ile hareket eder.

Öneri Sistemleri

Popülerliğe Dayalı Öneri Sistemi:

Bu sistemler, trend olan veya kullanıcılar arasında en popüler olan ürün veya filmi kontrol eder ve bunları doğrudan tavsiye eder. Bu sistemde kullanıcının geçmiş verilerine gerek yoktur. Kişiselleştirilmiş değildir. Sistem, yalnızca popülerliğe dayalı aynı tür ürünleri/filmleri diğer her kullanıcıya önerir. Trend olan ve en popüler haberlere göre filtrelenen google haberler, YouTube trend videolar bu sisteme göre çalışır.

Sınıflandırma Modeli:

Bir kullanıcının bir ürünü beğenip beğenmeyeceğini tahmin etmek için hem ürünlerin hem de kullanıcıların özelliklerini kullanan modeldir.

Çıktı 0 veya 1 olabilir. Kullanıcı beğenirse sonuç 1, aksi halde sıfırdır.

İçerik Tabanlı Öneri Sistemi:

Siz bir diziyi her izlediğinizde, durdurduğunuzda ya da ileri sardığınıza aslında veri gönderirsiniz. Puanlamalarınız, sayfayı aşağıya doğru kaydırmanız ya da arama motorunu kullanmanız da başka verilerdir. Tüm bunlar algoritmalar tarafından kümelenir. Bu bilgiler sonrasında beğenilerinizin belirlenmesinde temel bir parametre olarak kullanılır. Bu öneri sisteminde tavsiye edilen ile izlenen film arasındaki benzerlik belli matematiksel hesaplamalar sonucunda bulunur. Benzerlikleri kontrol etmemiz gereken farklı senaryolar vardır. Bu nedenle kullanılacak farklı metrikler vardır. Sayısal veriler arasındaki benzerliği hesaplamak için Öklid mesafesi ( iki nokta arasındaki uzaklık), metinsel veriler için kosinüs benzerliği, kategorik veriler için Jaccard benzerliği hesaplanır.

İlk formül kosinüs benzerliği, İkinci formül Jaccard benzerliği hesaplamalarında kullanılır.

İşbirlikçi Filtreleme:

Öneri sistemleri arasındaki farklar; Kaynak: https://medium.com

İçerik tabanlı öneri sistemi ara bağımlılıkları veya karmaşık davranışları tespit etmede eksik kalır. Bu nedenle doğru öneriler için işbirliğine filtreleme sistemi kullanılır. Bu filtreleme yöntemi genellikle kullanıcının davranışları, etkinlikleri veya tercihleri hakkında bilgi toplamaya, analiz etmeye ve diğer kullanıcılarla olan benzerliğini temel alarak neleri seveceklerini tahmin etmeye dayanmaktadır. İşbirlikçi filtreleme, geçmişte benzer tercihlere sahip olan bireylerin gelecekte aynı tercihleri yapacakları varsayımına dayanmaktadır. Benzerlik, kullanıcının zevkiyle sınırlı değildi. Ayrıca farklı öğeler arasında da benzerlik düşünülebilir. Kullanıcılar ve öğeler hakkında büyük miktarda bilgimiz varsa, sistem daha verimli önerilerde bulunacaktır.

Bir dahaki sefere Netflix ara yüzünüzün önüne oturduğunuzda, önerilen filmlerin ekranınıza gelmeden önce sahne arkasında yakından ele alındığını hatırlayınız. Büyük Veri (Big Data) bazen sizin için bazen de size karşı çalışır. Bunu da unutmayın.

Kaynaklar ve İleri Okumalar:

Matematiksel

Sibel Çağlar

Merhabalar. Matematik öğretmeni olarak başladığım hayatıma 2016 yılında kurduğum matematiksel.org web sitesinde içerikler üreterek devam ediyorum. Matematiğin aydınlık yüzünü paylaşıyorum. Amacım matematiğin hayattan kopuk olmadığını kanıtlamaktı. Devamında ekip arkadaşlarımın da dahil olması ile kocaman bir aile olduk. Amacımıza da kısmen ulaştık. Yolumuz daha uzun ama kesinlikle çok keyifli.
Başa dön tuşu