Mühendislik

Netflix Ne Sevdiğimizi Nasıl Anlıyor? Netflix Algoritması Nasıl Çalışıyor?

Bir filmi seçtiğiniz anda, aslında dev bir matematiksel ağın içinde yeni bir bağlantı kuruyorsunuz.

Netflix’i açtığınızda karşınıza yüzlerce film ve dizi çıkar. Ancak platform bu içerikleri rastgele sıralamaz. Daha önce izlediklerinize ve verdiğiniz tepkilere bakarak hangi yapımları sevme olasılığınızın daha yüksek olduğunu tahmin etmeye çalışır. Bir bakıma Netflix sürekli aynı soruya yanıt arar: “Bu kullanıcı sırada ne izlemek isteyebilir?”

Bu sorunun yanıtı ilk bakışta basit gibi gelir. Örneğin çok sayıda korku filmi izliyorsanız sistem size yeni korku filmleri önerebilir. Fakat gerçek hayattaki tercihlerimiz bu kadar kolay sınıflandırılamaz.

Belki korku filmlerini seviyorsunuzdur ama yalnızca psikolojik gerilim türündekileri izliyorsunuzdur. Aşırı kanlı yapımlardan hoşlanmıyor olabilirsiniz. Ya da korku filmlerinin yanı sıra doğa belgesellerine de ilgi duyabilirsiniz. Bu durumda yalnızca film türüne bakmak yeterli olmaz.

Netflix Sizin Ne İzlemek İstediğinizi Nasıl Tahmin Eder?

Netflix’in elindeki en önemli kaynaklardan biri kullanıcı davranışlarıdır. Milyonlarca insan her gün platformda film ve dizi izler. Sistem hangi içeriklerin izlendiğini, hangi yapımların aynı kullanıcılar tarafından tercih edildiğini ve benzer izleme geçmişine sahip kişilerin daha sonra hangi içeriklere yöneldiğini analiz eder.

Buradaki temel fikir oldukça basittir. Eğer sizinle benzer filmleri izleyen çok sayıda kişi daha sonra belirli bir filmi de izlemişse, sizin de o filmi beğenme olasılığınız yüksektir. Öneri sistemlerinde kullanılan işbirlikçi filtreleme yaklaşımının temelinde de bu düşünce vardır.

Örneğin yalnızca Iron Man’i izlediğinizi düşünelim. Sistem şimdi Iron Man 2’yi mi yoksa Mavi Gezegen adlı bir belgeseli mi size önermesi gerektiğini tahmin etmeye çalışsın. Eğer Iron Man’i izleyen çok sayıda kişi Iron Man 2’yi de izlemişse sistem bu iki içerik arasında güçlü bir ilişki bulunduğu sonucuna varabilir. Buna karşılık Iron Man izleyenlerin çok azı Mavi Gezegen’i izlemişse belgeselin size uygun olma ihtimali daha düşük görünür.

Ancak milyonlarca kullanıcı ve binlerce içerik söz konusu olduğunda bu basit fikir hızla karmaşıklaşır. Sistem yalnızca sizinle tamamen aynı içerikleri izleyen kişilere bakamaz.

Böyle yapsaydı çoğu kullanıcı için yeterince büyük bir karşılaştırma grubu bulamazdı. Bu nedenle sizinle büyük ölçüde benzer, ancak bazı tercihlerde ayrılan kullanıcıları da hesaba katması gerekir. İşte matematik tam bu noktada devreye girer.

Netflix’i Bir Metro Haritası Gibi Düşünebiliriz

Öneri sistemini anlamanın en kolay yollarından biri Netflix’teki film ve dizileri büyük bir ağın parçaları olarak düşünmektir. Bunun için bir metro haritasını gözünüzün önüne getirin. Metro haritasında istasyonlar ve bu istasyonları birbirine bağlayan hatlar vardır. Netflix için de benzer bir model kurabiliriz.

Her film ya da diziyi bir istasyon gibi düşünelim. İki içeriği de çok sayıda kullanıcı izlemişse bu iki istasyon arasına bir bağlantı koyalım. Örneğin Iron Man ile Iron Man 2 arasında güçlü bir bağlantı vardır.Çünkü ilk filmi izleyenlerin önemli bir kısmı ikinci filmi de izlemiştir. Buna karşılık Iron Man ile ilgisiz bir doğa belgeseli arasındaki bağlantı daha zayıf olabilir.

Böylece karşımıza çok büyük bir ağ çıkar. Matematikte bu tür yapılara çizge deriz. Bir çizgede düğümler nesneleri, kenarlar ise bu nesneler arasındaki ilişkileri temsil eder. Netflix örneğinde düğümler film ve dizileri, kenarlar ise içerikler arasındaki kullanıcı temelli ilişkileri gösterebilir.

Üstelik bütün bağlantıların aynı güce sahip olması gerekmez. İki filmi birlikte izleyen kullanıcıların sayısı arttıkça aralarındaki bağlantıya daha büyük bir ağırlık verebiliriz. Böylece yalnızca hangi içeriklerin birbiriyle bağlantılı olduğunu değil, bu bağlantının ne kadar güçlü olduğunu da gösterebiliriz.

Bu noktadan sonra Netflix’in karşılaştığı problem yeni bir biçim kazanır: Bir kullanıcının izlediği içeriklerden yola çıkarak bu büyük ağ üzerinde ona yakın duran başka hangi içerikleri bulabiliriz?

Benzerlik Nasıl Ölçülür?

Öneri sistemlerinin temel sorunlarından biri “benzerlik” kavramını matematiksel olarak tanımlamaktır. İki kullanıcının zevklerinin birbirine benzediğini nasıl anlayabiliriz? Ya da iki filmin benzer olduğunu neye göre söyleyebiliriz?

En basit yaklaşım ortak tercihlere bakmaktır. Örneğin aynı iki filmi çok sayıda kullanıcı izliyorsa bu filmler arasında bir ilişki bulunduğunu düşünebiliriz. Fakat tek başına ortak izleyici sayısı her zaman yeterli olmaz. Çok popüler bir filmi milyonlarca kişi izlediği için bu film birbirinden tamamen farklı pek çok içerikle yüksek sayıda ortak izleyiciye sahip olabilir.

Bu nedenle öneri sistemleri benzerliği hesaplarken farklı matematiksel yöntemlerden yararlanır. Kullanıcıları ya da içerikleri sayılardan oluşan vektörlerle temsil edebiliriz. Ardından bu vektörlerin birbirine ne kadar benzediğini ölçebiliriz.

Bu noktada lineer cebir önemli bir rol oynar. Kullanıcıları satırlarda, filmleri sütunlarda gösteren büyük bir tablo düşünün. Bir kullanıcının bir filmi izleyip izlemediğini ya da filme verdiği tepkiyi bu tablodaki sayılarla ifade edebiliriz. Matematikçiler bu tür tablolara matris adını verir.

Ancak Netflix gibi bir platformda bu matrisin büyük bölümü boş kalır. Çünkü hiçbir kullanıcı mevcut bütün filmleri izlemez. Öneri sisteminin görevi de bir anlamda bu boşluklarla ne yapacağını tahmin etmektir.

İşbirlikçi Filtreleme Nedir?

Bu yaklaşımın temelinde “benzer insanlar geçmişte benzer seçimler yaptıysa gelecekte de benzer seçimler yapabilir” düşüncesi bulunur. Buna işbirlikçi filtreleme denir.

İşbirlikçi filtreleme sayesinde algoritmalar, kullanıcıların puanlandırmaları üzerinden kullanıcılara yeni filmler önerir.

Örneğin siz ve başka bir kullanıcı geçmişte on filmden sekizini ortak olarak izlemiş ve beğenmiş olabilirsiniz. Bu kişinin sizin henüz izlemediğiniz başka bir filmi sevmiş olması, o filmin sizin için de iyi bir öneri olabileceğine dair ipucu verir.

Burada sistem filmlerin içeriklerini anlamak zorunda değildir. Bir korku filminde zombilerin mi yoksa hayaletlerin mi bulunduğunu bilmesine gerek yoktur. Yalnızca kullanıcıların davranışları arasındaki örüntülere bakarak tahminde bulunabilir.

Günümüzdeki öneri sistemleri genellikle birden fazla yöntemi birlikte kullanır. Netflix de yalnızca sizinle benzer kullanıcıların davranışlarına bakmaz. İçeriklerin türleri, oyuncuları, yayın tarihleri ve başka özellikleri de önerileri etkileyebilir.

Bir Milyon Dolarlık Öneri Problemi

Netflix, öneri sistemlerini geliştirmek amacıyla 2006 yılında dikkat çekici bir yarışma başlattı. Netflix Prize adı verilen yarışmada araştırmacılardan şirketin mevcut film puanı tahmin sistemini geliştirmelerini istedi. Yarışmanın hedefi, kullanıcıların filmlere vereceği puanları Netflix’in kullandığı sistemden daha doğru tahmin eden bir yöntem geliştirmekti.

Netflix kazanan ekibe 1 milyon dolar ödül vereceğini açıkladı. 2009 yılında BellKor’s Pragmatic Chaos adlı ekip hedeflenen başarı düzeyine ulaştı ve ödülü kazandı. Netflix Prize, öneri sistemleri tarihinde önemli bir dönüm noktası oldu.

Ancak günümüz Netflix sistemini yalnızca bu yarışmada kullanılan yöntemlerle açıklamak yeterli olmayacaktır. Modern öneri sistemleri kullanıcı davranışları, içerik özellikleri, makine öğrenmesi modelleri ve farklı tahmin yöntemlerini birlikte kullanır.

Gördüğünüz gibi, ekranınızda beliren birkaç film önerisi göründüğünden çok daha karmaşık bir sürecin sonucudur. Arka planda çizgelerden matrislere, olasılıktan makine öğrenmesine kadar uzanan geniş bir matematik dünyası çalışır.


Kaynaklar ve İleri Okumalar:

Matematiksel

Sibel Çağlar

Kadıköy Anadolu Lisesi’nin ardından Marmara Üniversitesi İngilizce Matematik Öğretmenliği bölümünden mezun oldum. Matematiksel.org’un kurucusu olarak matematik, bilim ve düşünce alanlarında içerik üretmeye devam ediyorum.