<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Ekin Ceylan on Medium]]></title>
        <description><![CDATA[Stories by Ekin Ceylan on Medium]]></description>
        <link>https://medium.com/@ekinceylan?source=rss-d928724a70b2------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*ZCOvcUJeYyh3VE7OvI-38w.png</url>
            <title>Stories by Ekin Ceylan on Medium</title>
            <link>https://medium.com/@ekinceylan?source=rss-d928724a70b2------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 12:22:10 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@ekinceylan/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[How to Dynamically Add Web Components with Dependencies]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://levelup.gitconnected.com/how-to-dynamically-add-web-components-with-dependencies-917d732e1f0e?source=rss-d928724a70b2------2"><img src="https://cdn-images-1.medium.com/max/906/1*J4y35a6HcL7PBd8idCeUMw.png" width="906"></a></p><p class="medium-feed-snippet">3 Practical Ways to Add Components Dynamically</p><p class="medium-feed-link"><a href="https://levelup.gitconnected.com/how-to-dynamically-add-web-components-with-dependencies-917d732e1f0e?source=rss-d928724a70b2------2">Continue reading on Level Up Coding »</a></p></div>]]></description>
            <link>https://levelup.gitconnected.com/how-to-dynamically-add-web-components-with-dependencies-917d732e1f0e?source=rss-d928724a70b2------2</link>
            <guid isPermaLink="false">https://medium.com/p/917d732e1f0e</guid>
            <category><![CDATA[web-components]]></category>
            <category><![CDATA[vanilla-javascript]]></category>
            <category><![CDATA[dependency-injection]]></category>
            <category><![CDATA[javascript-development]]></category>
            <category><![CDATA[frontend-development]]></category>
            <dc:creator><![CDATA[Ekin Ceylan]]></dc:creator>
            <pubDate>Thu, 18 Sep 2025 15:13:48 GMT</pubDate>
            <atom:updated>2025-09-20T16:04:53.257Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Case-Insensitive JSON Deserialization in .NET — 3 Practical Techniques]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://levelup.gitconnected.com/case-insensitive-json-deserialization-in-net-b93dd2a6de11?source=rss-d928724a70b2------2"><img src="https://cdn-images-1.medium.com/max/906/1*MxJE-xiV9n016mrMxst1Uw.png" width="906"></a></p><p class="medium-feed-snippet">Learn how to build a Custom Case-Insensitive JSON Deserializer in&#xA0;.NET and explore other rapid fixes.</p><p class="medium-feed-link"><a href="https://levelup.gitconnected.com/case-insensitive-json-deserialization-in-net-b93dd2a6de11?source=rss-d928724a70b2------2">Continue reading on Level Up Coding »</a></p></div>]]></description>
            <link>https://levelup.gitconnected.com/case-insensitive-json-deserialization-in-net-b93dd2a6de11?source=rss-d928724a70b2------2</link>
            <guid isPermaLink="false">https://medium.com/p/b93dd2a6de11</guid>
            <category><![CDATA[dotnet]]></category>
            <category><![CDATA[c-sharp-programming]]></category>
            <category><![CDATA[json-deserialization]]></category>
            <category><![CDATA[system-text-json]]></category>
            <category><![CDATA[case-insensitive]]></category>
            <dc:creator><![CDATA[Ekin Ceylan]]></dc:creator>
            <pubDate>Wed, 25 Jun 2025 17:12:37 GMT</pubDate>
            <atom:updated>2025-09-19T22:42:46.701Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[3 Vanilla-Lite DOM Patterns That Achieve jQuery’s Ease]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/codetodeploy/3-vanilla-lite-dom-patterns-that-achieve-jquerys-ease-1f7b92565419?source=rss-d928724a70b2------2"><img src="https://cdn-images-1.medium.com/max/906/1*vpBXb58q_pyspb0sD51UHQ.png" width="906"></a></p><p class="medium-feed-snippet">DOM manipulation made flexible with a Just Enough Query approach you can grow as needed.</p><p class="medium-feed-link"><a href="https://medium.com/codetodeploy/3-vanilla-lite-dom-patterns-that-achieve-jquerys-ease-1f7b92565419?source=rss-d928724a70b2------2">Continue reading on CodeToDeploy »</a></p></div>]]></description>
            <link>https://medium.com/codetodeploy/3-vanilla-lite-dom-patterns-that-achieve-jquerys-ease-1f7b92565419?source=rss-d928724a70b2------2</link>
            <guid isPermaLink="false">https://medium.com/p/1f7b92565419</guid>
            <category><![CDATA[vanilla-javascript]]></category>
            <category><![CDATA[javascript-tips]]></category>
            <category><![CDATA[dom-manipulation]]></category>
            <category><![CDATA[jquery]]></category>
            <category><![CDATA[front-end-development]]></category>
            <dc:creator><![CDATA[Ekin Ceylan]]></dc:creator>
            <pubDate>Tue, 17 Jun 2025 16:05:21 GMT</pubDate>
            <atom:updated>2025-09-19T22:41:45.467Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Every Developer Really Wants Clean Code?]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://levelup.gitconnected.com/every-developer-really-wants-clean-code-d60a9bb45d08?source=rss-d928724a70b2------2"><img src="https://cdn-images-1.medium.com/max/2600/0*OGkKUscleRv4qaNM" width="4962"></a></p><p class="medium-feed-snippet">Clean code looks good on paper but it rarely gets noticed and even less often leads to quicker promotions.</p><p class="medium-feed-link"><a href="https://levelup.gitconnected.com/every-developer-really-wants-clean-code-d60a9bb45d08?source=rss-d928724a70b2------2">Continue reading on Level Up Coding »</a></p></div>]]></description>
            <link>https://levelup.gitconnected.com/every-developer-really-wants-clean-code-d60a9bb45d08?source=rss-d928724a70b2------2</link>
            <guid isPermaLink="false">https://medium.com/p/d60a9bb45d08</guid>
            <category><![CDATA[developer-productivity]]></category>
            <category><![CDATA[tech-culture]]></category>
            <category><![CDATA[software-engineering]]></category>
            <category><![CDATA[clean-code]]></category>
            <category><![CDATA[career-in-tech]]></category>
            <dc:creator><![CDATA[Ekin Ceylan]]></dc:creator>
            <pubDate>Mon, 09 Jun 2025 17:02:07 GMT</pubDate>
            <atom:updated>2025-07-02T01:19:24.948Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Stones Defying Order — A Hidden Frame in Plain Sight]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@ekinceylan/stones-defying-order-a-hidden-frame-in-plain-sight-45c8b9780187?source=rss-d928724a70b2------2"><img src="https://cdn-images-1.medium.com/max/600/1*E8tusgJc4LaQXjcgd8ZNCA.png" width="600"></a></p><p class="medium-feed-snippet">Unspoken Frames 2&#x200A;&#x2014;&#x200A;Outliers</p><p class="medium-feed-link"><a href="https://medium.com/@ekinceylan/stones-defying-order-a-hidden-frame-in-plain-sight-45c8b9780187?source=rss-d928724a70b2------2">Continue reading on Medium »</a></p></div>]]></description>
            <link>https://medium.com/@ekinceylan/stones-defying-order-a-hidden-frame-in-plain-sight-45c8b9780187?source=rss-d928724a70b2------2</link>
            <guid isPermaLink="false">https://medium.com/p/45c8b9780187</guid>
            <category><![CDATA[visual-storytelling]]></category>
            <category><![CDATA[photoreading]]></category>
            <category><![CDATA[photo-analysis]]></category>
            <category><![CDATA[photography-tips]]></category>
            <category><![CDATA[ancient-city]]></category>
            <dc:creator><![CDATA[Ekin Ceylan]]></dc:creator>
            <pubDate>Sat, 17 May 2025 20:39:16 GMT</pubDate>
            <atom:updated>2025-06-27T14:51:45.471Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[CSS Container Size Queries — A Comprehensive Guide]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://levelup.gitconnected.com/css-container-size-queries-a-comprehensive-guide-58b595401c34?source=rss-d928724a70b2------2"><img src="https://cdn-images-1.medium.com/max/2600/0*nnICZBQJYrXLogXl" width="4032"></a></p><p class="medium-feed-snippet">Moving Media Queries to the Container Level</p><p class="medium-feed-link"><a href="https://levelup.gitconnected.com/css-container-size-queries-a-comprehensive-guide-58b595401c34?source=rss-d928724a70b2------2">Continue reading on Level Up Coding »</a></p></div>]]></description>
            <link>https://levelup.gitconnected.com/css-container-size-queries-a-comprehensive-guide-58b595401c34?source=rss-d928724a70b2------2</link>
            <guid isPermaLink="false">https://medium.com/p/58b595401c34</guid>
            <category><![CDATA[css]]></category>
            <category><![CDATA[component-based-design]]></category>
            <category><![CDATA[container-queries]]></category>
            <category><![CDATA[css-tips]]></category>
            <category><![CDATA[responsive-design]]></category>
            <dc:creator><![CDATA[Ekin Ceylan]]></dc:creator>
            <pubDate>Mon, 12 May 2025 14:26:17 GMT</pubDate>
            <atom:updated>2025-06-29T18:53:59.226Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Explainable Recommendation — Building Trust for Algorithms]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@ekinceylan/explainable-recommendation-building-trust-for-algorithms-63ea7288a011?source=rss-d928724a70b2------2"><img src="https://cdn-images-1.medium.com/max/2600/0*2okFcte1Cy9EYRz6" width="5712"></a></p><p class="medium-feed-snippet">Explore 7 key criteria for creating clear, trusted and engaging algorithmic suggestions.</p><p class="medium-feed-link"><a href="https://medium.com/@ekinceylan/explainable-recommendation-building-trust-for-algorithms-63ea7288a011?source=rss-d928724a70b2------2">Continue reading on Medium »</a></p></div>]]></description>
            <link>https://medium.com/@ekinceylan/explainable-recommendation-building-trust-for-algorithms-63ea7288a011?source=rss-d928724a70b2------2</link>
            <guid isPermaLink="false">https://medium.com/p/63ea7288a011</guid>
            <category><![CDATA[user-trust]]></category>
            <category><![CDATA[explainability]]></category>
            <category><![CDATA[recommendation-system]]></category>
            <category><![CDATA[tech-ethics]]></category>
            <category><![CDATA[algorithmic-transparency]]></category>
            <dc:creator><![CDATA[Ekin Ceylan]]></dc:creator>
            <pubDate>Sat, 03 May 2025 00:28:57 GMT</pubDate>
            <atom:updated>2025-05-08T23:47:17.937Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Being a Senior Developer in the AI Era — Same Values, New Path]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://levelup.gitconnected.com/being-a-senior-developer-in-the-ai-era-solutions-abstraction-and-soft-skills-34ae3b60d744?source=rss-d928724a70b2------2"><img src="https://cdn-images-1.medium.com/max/2600/0*UABPQHkjSGak7ZhB" width="6000"></a></p><p class="medium-feed-snippet">When AI handles the how, seniority is defined by knowing what to build, why it matters, and mastering the skills machines can&#x2019;t.</p><p class="medium-feed-link"><a href="https://levelup.gitconnected.com/being-a-senior-developer-in-the-ai-era-solutions-abstraction-and-soft-skills-34ae3b60d744?source=rss-d928724a70b2------2">Continue reading on Level Up Coding »</a></p></div>]]></description>
            <link>https://levelup.gitconnected.com/being-a-senior-developer-in-the-ai-era-solutions-abstraction-and-soft-skills-34ae3b60d744?source=rss-d928724a70b2------2</link>
            <guid isPermaLink="false">https://medium.com/p/34ae3b60d744</guid>
            <category><![CDATA[soft-skills-in-tech]]></category>
            <category><![CDATA[software-developer]]></category>
            <category><![CDATA[senior-developer]]></category>
            <category><![CDATA[career-growth]]></category>
            <category><![CDATA[ai-and-developers]]></category>
            <dc:creator><![CDATA[Ekin Ceylan]]></dc:creator>
            <pubDate>Mon, 21 Apr 2025 17:31:11 GMT</pubDate>
            <atom:updated>2025-07-02T01:18:13.414Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Recommender Systems — Algorithms That Know the User]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://levelup.gitconnected.com/recommender-systems-algorithms-that-know-the-user-c652e3eb1725?source=rss-d928724a70b2------2"><img src="https://cdn-images-1.medium.com/max/2600/0*cuV9P-DHSo2hrT9g" width="6024"></a></p><p class="medium-feed-snippet">How can you search for a video you don&#x2019;t even know exists? Recommender systems guide you through the chaos of infinite content.</p><p class="medium-feed-link"><a href="https://levelup.gitconnected.com/recommender-systems-algorithms-that-know-the-user-c652e3eb1725?source=rss-d928724a70b2------2">Continue reading on Level Up Coding »</a></p></div>]]></description>
            <link>https://levelup.gitconnected.com/recommender-systems-algorithms-that-know-the-user-c652e3eb1725?source=rss-d928724a70b2------2</link>
            <guid isPermaLink="false">https://medium.com/p/c652e3eb1725</guid>
            <category><![CDATA[personalization]]></category>
            <category><![CDATA[recommendation-system]]></category>
            <category><![CDATA[user-experience]]></category>
            <category><![CDATA[recommender-systems]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Ekin Ceylan]]></dc:creator>
            <pubDate>Wed, 09 Apr 2025 00:45:00 GMT</pubDate>
            <atom:updated>2025-05-15T18:57:00.161Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Öneri Sistemleri — Kullanıcıyı Tanıyan Algoritmalar]]></title>
            <link>https://medium.com/@ekinceylan/oneri-sistemleri-kullaniciyi-taniyan-algoritmalar-c0c23f46ede9?source=rss-d928724a70b2------2</link>
            <guid isPermaLink="false">https://medium.com/p/c0c23f46ede9</guid>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[öneri-sistemleri]]></category>
            <category><![CDATA[recommender-systems]]></category>
            <category><![CDATA[recommendation-system]]></category>
            <category><![CDATA[kişiselleştirme]]></category>
            <dc:creator><![CDATA[Ekin Ceylan]]></dc:creator>
            <pubDate>Mon, 07 Apr 2025 16:48:49 GMT</pubDate>
            <atom:updated>2025-04-08T15:19:10.404Z</atom:updated>
            <content:encoded><![CDATA[<h4>VERİYLE ŞEKİLLENEN TERCİHLER</h4><h3>Öneri Sistemleri — Kullanıcıyı Tanıyan Algoritmalar</h3><h4>Varlığından haberdar olmadığınız bir videoyu nasıl ararsınız? Yeni içeriklerden hangisi size uygun? Öneri Sistemleri, içerik yığınları arasında yolunuzu bulmanıza yardımcı olur.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*kCfwaw3HcOPEKnty" /><figcaption>Photo by <a href="https://unsplash.com/@patrickian4?utm_source=medium&amp;utm_medium=referral">Patrick Fore</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Bir mağazanın, müşterilerine çeşitli öneriler sunarak tüketimi arttırmaya çalışması, internet alışverişlerinin yaygınlaşmasından önce de başvurulan bir yöntemdi. Farklı kategorilerden olsa da birbirleriyle ilişkili ürünlerin yan yana yerleştirilmesi ile müşteri tüketime yönlendiriliyordu. Fakat bu yöntemde her müşteri için aynı öneriler sunulmaktaydı.</p><p>İnternet alışverişlerinin yaygınlaşmasıyla birlikte mağazaya (siteye) giren her kullanıcı için farklı ürünleri gösterme imkanı doğdu. Sonraki yıllarda, bilgisayarların işleyebileceği veri miktarının artmasıyla birlikte, “nokta atışı” denebilecek kadar özelleştirilmiş önerilerin yolu açıldı. Böylece, müşterilere tüketebilecekleri yeni içerik veya ürün sunmak, bir yazılım işi haline geldi.</p><p>Günümüzde bu amaçla kullanılan yazılımlar, <strong>öneri sistemleri</strong> (<em>recommender systems</em>) olarak adlandırılmaktadır.</p><p>Bu sistemlerin amacı, kullanıcıların tercihlerini belirleyerek onlara kişiselleştirilmiş ürünler/hizmetler sunmak ve sonuç olarak daha fazla vakit geçirmelerini, daha fazla ürün veya hizmet satın almalarını teşvik etmektir. En sık kullanıldığı platformlara örnek olarak müzik, podcast, film veya video servisleri, e-ticaret siteleri ve sosyal ağlar gösterilebilir.</p><p>Öneri sisteminin çalışma prensibini gerçekleştiren kısma ise <strong>öneri motoru</strong> (<em>recommendation engine</em>) denir. Öneri motorları, genellikle veri madenciliği, makine öğrenimi ve dil modelleme gibi teknikleri kullanarak öneri sistemine veri toplar, bu verileri işler ve öneriler üretir.</p><h3>Faydaları Nelerdir?</h3><p>Yukarıda, öneri sistemlerinin çıkış motivasyonunun satışları artırmak olduğu vurgulanmış olsa da, sistemin faydalarından bahsederken kullanıcılar/tüketiciler açısından bakarak başlamak daha doğru olacaktır.</p><p>Sadece ticaretin değil, bilginin ve sosyalleşmenin de online mecralara kaydığı, seçeneklerin hızla arttığı bir dünyada, aradıklarımızın ötesindekilere ulaşabilmek vazgeçilmez bir ihtiyaçtır.</p><blockquote><strong>Her gün milyonlarcası üretilen yeni içeriklerin hangisi size uygun?</strong> Varlığından haberdar olmadığınız bir videoyu nasıl arayabilirsiniz? <strong>Arkadaşlarınızı sosyal medyada bulmak için her gün aratmak zorunda mısınız?</strong></blockquote><p>Öneri sistemleri olmadan, bu problemleri çözmek ve çevrimiçi servisleri verimli bir şekilde kullanmak çok zor olacaktır.</p><p>Bu noktada öneri sistemlerinin ilk faydasının <strong>kişiselleştirme </strong>olduğunu söyleyebiliriz. Kullanıcıya özel tahminlerle, her kullanıcı için farklı bir deneyim sunulur ve yeniliklerin keşfedilmesi <strong>kolay</strong>laştırılır. İsabetli tavsiyeler <strong>müşteri sadakati</strong>nin oluşmasında önemli bir paya sahiptir.</p><p>Kullanıcıya sağlanan faydalar platformların daha çok trafik almasını, daha çok içerik veya ürünün tüketilmesini, sonuç olarak şirketlerin daha çok <strong>gelir </strong>elde etmelerini sağlar. Örneğin:</p><ul><li>YouTube’daki izlenme sürelerinin büyük bölümü öneri sistemlerinden gelmektedir.</li><li>Amazon az satılan ürünlerini doğru müşterilerle eşleştirerek satışlarını artırmıştır.</li></ul><p>Ayrıca gelir artışı, sadece kişiselleştirilmiş içerik değil, <strong>kişiselleştirilmiş reklamlar</strong> üzerinden de sağlanabilir.</p><p>Özet olarak, öneri sistemleri web siteleri, şirketler ve kullanıcılar için vazgeçilmez bir teknolojidir.</p><ul><li>Satışları, reklam gelirlerini ve müşteri sadakatini artırır</li><li>Kullanıcı deneyimini iyileştirir</li><li>İçerik keşfetmeyi kolaylaştırır</li><li>Trafiği artırarak daha çok veri toplanabilmesini sağlar.</li></ul><h3>Kullanılan Teknikler ve Algoritmalar</h3><p>Öneri sistemlerinin sıklıkla tercih edilen dört çeşidi vardır:</p><ul><li>İşbirliği Tabanlı Filtreleme (<em>Collaborative</em>)</li><li>İçerik Tabanlı Filtreleme (<em>Content-Based</em>)</li><li>Popülarite Tabanlı Öneri Sistemleri (<em>Popularity Based</em>)</li><li>Hibrit Öneri Sistemleri (<em>Hybrid</em>).</li></ul><p>Bu yaklaşımlardan bahsetmeden önce, bütün öneri sistemlerinde bulunan basamaklardan kısaca bahsetmek faydalı olacaktır.</p><p><strong>Veri toplama:</strong> Üyenin sipariş, görüntüleme, puanlama veya yorum geçmişi öncelikle incelenen verilerdir. Bunun dışında tarih, saat, hava durumu, demografik bilgiler vb. de kullanılabilir.</p><p><strong>Veri depolama:</strong> Şirketin büyüklüğüne bağlı olarak veri saklama ortamı değişebilir. Günümüzde, dağıtık olarak bulut sistemlerinde depolamak tercih edilmektedir.</p><p><strong>Veri analizi:</strong> Toplanan veriler gerçek zamanlı olarak veya belirli periyotlarla işlenebilir.</p><p><strong>Veri filtreleme:</strong> Bu kısımda aşağıda bahsedeceğimiz yöntemler kullanılır.</p><blockquote>Bu yazı <strong>2023 </strong>yılında hazırlanmıştır. Bu bölümdeki bazı bilgiler güncelliğini yitirmiş olabilir. Son yıllarda, <strong>derin öğrenme tabanlı yaklaşımlar</strong> daha fazla kullanılmaktadır.</blockquote><h4>İçeriğe Dayalı Filtreleme (<em>Content-Based Filtering</em>)</h4><p>Bu filtreleme yöntemi daha önce <strong>beğenmiş olduğunuz ürünlere benzer ürünleri</strong> tercih edeceğiniz fikrine dayanır. Müşteri profiline ve müşterinin ürün profiline göre önerilerde bulunur. Bu yöntemde, kullanıcı profilinin isabetli olarak belirlenmesi ve ürünlerin açıklamalarının detaylı olması çok önemlidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/396/1*qwZXTXHXinXaI5EF16u7ww.png" /><figcaption>İçeriğe Dayalı Filtreleme — <a href="https://www.haulio.io/blog/haulio-recommendation-engine/">haulio.io</a></figcaption></figure><p>Kullanıcı profili, kullanıcı sisteme dahil olduğunda oluşturulur. Kullanıcının tercih ettiği ürün içerikleri incelenir ve kullanıcının profili geliştirilir. Nitelikleri ayrıntılı olarak tanımlanmış olan ürünlerle kullanıcının profili karşılaştırılır. Kullanıcının ilgi alanına giren ürünler tahmin edilir ve önerilir.</p><p><strong>Üstünlükleri:</strong></p><ul><li>Her kullanıcı bağımsız olarak ele alındığı için sistemdeki <strong>kullanıcı sayısı</strong> sistemin çalışmasını <strong>etkilemez</strong>.</li><li>Daha önce <strong>hiç satılmamış</strong> veya tercih edilmemiş <strong>ürünler de önerilebilir</strong>.</li></ul><p><strong>Kısıtları:</strong></p><ul><li>Ürün özelliklerinin ayrıntılı olması her zaman mümkün olmayabilir.</li><li>Önerilen ve tercih edilen ürünlerin sürekli aynı türden olması ve kullanıcının öneri havuzunun giderek daralması ihtimal dahilindedir.</li><li>Kullanıcı etkileşimini kullanmaz.</li></ul><h4>İşbirliğine Dayalı Filtreleme (Collaborative Filtering)</h4><p>İşbirlikçi filtrelemenin ana fikri, profil bilgilerini kullanarak müşterilerin veya ürünlerin benzer olup olmadıklarını anlamaktır. Geçmişte <strong>benzer tercihlere sahip olan kullanıcılar</strong>ın gelecekte aynı tercihleri yapacakları varsayımına dayanmaktadır. Ürün puanları, görüntüleme geçmişi ve satın alma işlemleri bu amaçla değerlendirilir.</p><p>Kullanıcılar ve ürünler için bir tercihler matrisi oluşturulur. Benzerlikleri bulmak için — kullanılan yaklaşıma göre — aşağıdaki teknikler kullanılabilir:</p><ul><li>Pearson korelasyonu</li><li>Kosinüs benzerliği</li><li>Öklid mesafesi</li><li>Boyutsallık azaltma tekniği</li><li>Karar ağaçları</li><li>Yapay sinir ağları</li><li>Kümeleme</li></ul><p>En sık kullanılan türü <strong>kullanıcı tabanlı </strong>(<em>user-user</em>) olanıdır. Benzer kullanıcılar bulunarak onların tercih ettikleri ürünler önerilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/417/1*FvQNKek_9H8GyG5e0qr1bg.png" /><figcaption>Kullanıcı Tabanlı İşbirlikçi Filtreleme — <a href="https://www.haulio.io/blog/haulio-recommendation-engine/">haulio.io</a></figcaption></figure><p>Bu algoritma kullanıcı sayısı ürün sayısından çok daha az olduğunda etkilidir. En büyük dezavantajı yeni bir kullanıcı eklemenin <strong>masraflı </strong>olmasıdır.</p><p><strong>Ürün tabanlı</strong> (<em>item-item</em>) olan algoritma ise benzer ürünleri bulur ve kullanıcı birini tercih ettiğinde diğerlerini de önerir. Ürün sayısı kullanıcı sayısından çok daha az olduğunda tercih edilir. Ayrıca ürün listesinin çok fazla değişmemesi gerekir.</p><p><strong>Üstünlükleri:</strong></p><ul><li>Daha hızlı ve performanslıdır.</li><li>Ürün içeriğine ihtiyaç duymaz. Puanlama ve satın alma verileri yeterlidir.</li></ul><p><strong>Kısıtları:</strong></p><ul><li>Kullanıcının geçmiş kayıtları olmadığında öneride bulunamaz.</li><li>Çok büyük miktarda bilgi gerekir.</li><li>Hesaplama gücünün yüksek olması gerekir.</li><li>Daha önce tercih edilmemiş ürünler önerilemez.</li><li>Sahte kullanıcı yorumlarından olumsuz etkilenir.</li><li>İçeriği aynı olan ürünleri ayırt edemez. Aynı ürünü farklı isimlerle önerebilir.</li></ul><h4>Popülarite Tabanlı Sistemler (Popularity Based)</h4><p>Belirli bir dönemde veya sıkça tercih edilen ürünlerin, benzer dönemlerde bütün kullanıcılara önerilmesini esas alır. Örneğin:</p><ul><li>Bayramlarda şekerleme</li><li>Yazın güneş kremi</li><li>Salgın dönemlerinde dezenfektan</li><li>Yakın zamanda satışlarının arttığı tespit edilen ürünler</li></ul><p>Bu öneri sistemi kullanıcıların analiz edilmesini gerektirmez. Ürünlerin periyodik satış rakamlarının incelenmesi yeterlidir. Az maliyetlidir; çok az miktarda veriyle yapılabilir. Ancak, öneriler kişiye özel değildir.</p><h4>Hibrit Sistemler (Hybrid)</h4><p><strong>İçerik bazlı</strong> ve <strong>işbirlikçi filtreleme</strong> tekniklerini bir araya getirerek daha doğru ve verimli bir filtreleme oluşturmayı amaçlar. İki yöntemi birleştirirken farklı yollar izlenebilir:</p><ul><li>İki yöntem ayrı ayrı uygulanır ve tahminler birleştirilir.</li><li>İçerik tabanlı yaklaşımın özellikleri işbirlikçi yaklaşıma dahil edilir.</li><li>İşbirlikçi yaklaşımın özellikleri içerik tabanlı yaklaşıma dahil edilir.</li><li>İşbirlikçi ve içerik tabanlı yaklaşımın özelliklerini içeren yeni bir model oluşturulur.</li></ul><p>Bu şekilde, içerik bazlı filtrelemede karşılaşılan sürekli aynı tür önerilerin oluşması problemi ve işbirlikçi filtrelemenin kullanıcı geçmişi bulunmadığında öneri üretememesi gibi problemlere çözüm bulunur. Fakat bu yöntem diğerlerine göre biraz daha karmaşıktır.</p><h3>Öneri Motorlarının Karşılaştığı Problemler</h3><h4><strong>Soğuk Başlangıç (<em>Cold Start</em>)</strong></h4><p>Yeni eklenen ve geçmiş kayıtları bulunmayan kullanıcılar veya yeni oluşturulan içeriklerle alakalı öneri oluşturulamaması sorunudur. Özellikle işbirlikçi filtreleme sisteminde ortaya çıkar.</p><p>Oluşmasını önlemek için en iyi yöntem, kullanıcı platforma dahil olduğunda bir kaç soruyla ilgi alanları hakkında bilgi edinmeye çalışmaktır. Örneğin bir film servisine üye olan kullanıcıya liste içerisinden izlediği filmleri bulup puan vermesini istemek gibi.</p><p>Profil oluşana kadar diğer filtreleme yaklaşımlarından yararlanmak da sıklıkla tercih edilen yöntemler arasındadır.</p><h4><strong>Anındalık</strong></h4><p>Haber siteleri gibi daima en yeni içeriklere öncelik verilmesi gereken sitelerde ortaya çıkar. Bu sitelerde, veri havuzu güncellendiği anda veriler tekrar işlenmelidir (gerçek zamanlı veri işleme). Bu durum kaynak tüketimi ve öneri performansı açısından zorluklar yaratır.</p><h4><strong>Ölçeklenebilirlik (Scalability)</strong></h4><p>Önerilerin kalitesi; kullanıcı, kullanıcı bilgileri ve içeriğe ait verilerin artışıyla doğru orantılıdır. Fakat veri artışı, katlanarak artan bir kapasite ihtiyacını doğurur. Her ihtiyaç olduğunda kapasiteyi artırmak, üstesinden gelinmesi gereken bir sorundur. Hadoop gibi büyük veri sistemlerine geçiş yapmak, veri setleri üzerinde kurallar oluşturmak veya modeli aşamalara bölüp çalıştırmak uygulanabilecek çözümlerdir.</p><h4><strong>Seyreklik (Sparsity)</strong></h4><p>E-ticaret sitelerinde çok sayıda ürün bulunmasına karşın, bunları satın alan bütün kullanıcılar yorum yapmaz. Bu durum eşleştirme matrisinde belirsiz alanların bulunmasına neden olur. Kullanıcı ve ürün sayısı arttıkça seyreklik sorunu da artar.</p><h4><strong>Eşanlamlılık (Synonymy)</strong></h4><p>Aynı ürünün farklı adları olduğunda ortaya çıkar. Sistem bunları farklı ürünler olarak değerlendirir. Benzer şekilde içerikte bulunan eş anlamlı kelimeler ürünler arasında ilişki kurmayı zorlaştırır.</p><h4><strong>Gri Koyun (Gray Sheep)</strong></h4><p>İlişkilendirilmiş bir kullanıcı grubunda, topluluğun geri kalanından <strong>farklı zevklere sahip kullanıcılar</strong> bulunabilir. Bu durumda topluluğa gönderilecek öneriler yeterince isabetli olmayacaktır.</p><h4><strong>Şilin Saldırısı (Shilling Attack)</strong></h4><p>Sahte profiller ile öneri sisteminin yanlış yönlendirilmesi sorunudur. <strong>Sahte profil</strong> oluşturan kişiler, kendi ürünlerine tamamen olumlu ve rakip ürünlere tamamen olumsuz yorumlar yaparlar.</p><h4><strong>Rastlantısallık veya Aşırı Uzmanlaşma (Overspecialization)</strong></h4><p>Öneri sistemlerinin, sürekli geçmişte önerilenlere benzer içerikleri önermeye başlaması problemidir. Sistemin önerilerinin biraz daha rastlantısal olması sağlanarak çözülebilir.</p><h3>Ölçeklendirme Çözümleri</h3><p>Öneri sistemleri, kullanıcıların çok geniş bir içerik havuzu içerisinde gezinebilmesine yardımcı olmak için tasarlanmıştır. Bu nedenle en önemli görev, sistemi gerçek veri kümelerini kapsayabilecek şekilde ölçeklendirebilmektir.</p><p>Ölçekleme problemine farklı algoritmalar kullanarak tatmin edici çözümler sunulabilir. Diğer taraftan, genellikle sağlanan ölçeklenebilirlik karşısında tahmin performansından ödün vermek gerekebilir. Bu nedenle algoritma seçimi, birçok parametre ve sonuç dikkate alınmalıdır.</p><p>SVD (<em>Singular Value Decomposition</em>) gibi boyut indirgeme teknikleri ölçeklendirme konusunda fayda sağlamaktadır. Dağıtık hesaplama yöntemiyle mevcut kullanıcı ve içeriklerle ilgili hesaplar farklı bir zamanda yapılırken, yeni eklenen içerik ve kullanıcılar gerçek zamanlı olarak daha küçük bir hesaplama ile mevcut sisteme dahil edilir.</p><p>Başka bir yöntem, kullanıcı ve içeriklerin karakteristiklerine göre gruplanmasıdır. Her bir gruptaki tercihler tahmin edilerek öneriler üretilir ardından kullanıcıdan alınan geribildirim ile süreç yinelenir.</p><h3>Açıklanabilir Öneri Nedir?</h3><p>Günümüzde kullanıcı memnuniyetini ve sadakatini artıran en önemli unsurların başında, doğru içerikleri önerebilen sistemler gelmektedir. Doğru önerileri sunan öneri sistemleri, kullanıcıya <strong>onu tanıdığını hissettirir</strong>. Birinin sizi tanıdığını hissetmeniz, bazen <strong>güven </strong>duymanızı sağlarken bazen de <strong>şüphe ve korku</strong>ya neden olur.</p><p>Kullanıcının sisteme güvenebilmesi için sistemi anlaması gerekir. Bu noktada açıklanabilir öneriler devreye girer. Açıklamalar, öneri sistemleri ve kullanıcılar arasında bir köprü görevi yapar. <strong>Kullanıcı güvenini artırır</strong>, kullanıcıların daha iyi kararlar almasına yardımcı olur ve kullanıcıları ürünü denemeye ikna eder.</p><p>Tavsiyelerin gerekçelendirilmesi, özellikle sağlık ve beslenme gibi hassas alanlarda yanlış kararların önüne geçer.</p><p>Açıklamalar, öneriyle birlikte gömülü (<em>embedded</em>) şekilde üretilebileceği gibi sonradan da (<em>post-hoc</em>) üretilebilir.</p><p>Sonradan oluşturma yönteminde açıklamalar, öneri modelinin girdi ve çıktılarından mantıksal ilişkilendirme kuralları çıkarılarak oluşturulur ve belirli kalıplara göre metne dönüştürülür. Örneğin “<em>X’i beğendiğiniz için Y’yi öneriyoruz.</em>”</p><p>Öneriyle birlikte oluşturulan gömülü açıklamalar ise öneri modeline entegre edilir. Gömülü açıklamalar doğal olarak daha iyi açıklanabilirliğe sahip olma eğilimindedir.</p><p>Açıklanabilir önerilerin 7 kriteri vardır:</p><h4><strong>Şeffaflık (Transparency)</strong></h4><p>Şeffaflık, sistemin nasıl çalıştığını, önerilerin nasıl seçildiğini veya önerilenlerin ihtiyaçlara nasıl uyduğunu anlamaya yardımcı olmayı amaçlar. “<em>Bu ürünü alan müşteriler bunları da aldı.</em>” gibi açıklamalar ile kullanıcıya önerinin kaynağı hakkında bilgi verilir.</p><h4><strong>İncelenebilirlik (Scrutability)</strong></h4><p>Kullanıcının, sistemdeki sorunlarla ilgili geri bildirim vermesine izin verir. Örneğin bazı platformlar, önerilerin ne kadar etkili olması gerektiğini seçme imkanı tanımaktadır. Ayrıca önerlerin kullanıcı tarafından filtrelenebilmesi, hediye olarak alınan ürünlerin ayrıştırılmasına da imkan verir.</p><h4><strong>Güven (Trust)</strong></h4><p>Kullanıcı sistemi kullanırken şüphe duymaz. Örneğin bazı platformlar, reklam önerirken kullanıcının kişisel verilerine nasıl eriştiklerine dair bir zaman çizelgesi sunmaktadır.</p><p>Güven, çoğu durumda şeffaflık ve incelenebilirlikle bağlantılıdır. Bir kullanıcı, kötü bir önerinin neden yapıldığını anlarsa ve bunun tekrarlanmasını önleyebilirse, daha hoşgörülü olabilir ve önerilere daha fazla güvenebilir.</p><h4><strong>Etkililik (Effectiveness)</strong></h4><p>Kullanıcıların doğru kararlar vermesini sağlar. Etkililik, büyük ölçüde öneri algoritmasının doğruluğuna bağlıdır, yani öneriler hatalıysa kullanıcılar doğru kararlar veremez. Etkili bir açıklama, kullanıcının önerilen içeriğin kalitesini kendi tercihlerine göre değerlendirmesine yardımcı olacaktır. Kullanıcının yararlı olanları ayırt etmesine yardımcı olurken, alakasız seçenekleri elemesini sağlayacaktır.</p><h4><strong>İnandırıcılık (Persuasiveness)</strong></h4><p>Kullanıcıları denemeye veya almaya ikna eder. Kullanıcılar gerçekten istemedikleri ürünleri denediklerini veya satın aldıklarını fark ettiklerinde fazla ikna edici olmanın geri tepebileceğini de dikkate almak önemlidir.</p><h4><strong>Yeterlilik (Efficiency)</strong></h4><p>Kullanıcıların hızlı karar vermelerini sağlar. Seçenekler arasındaki ilişki daha netleştirecek açıklamalar karar sürecini hızlandırır. Örneğin önerilen elektronik cihazlar için “Daha az bellek tüketimi”, “Daha ucuz”, “Daha yüksek pil süresi” gibi açıklamalar varsa, pil süresine önem veren kullanıcıların fazla düşünmesine gerek kalmaz.</p><h4><strong>Memnuniyet (Satisfaction)</strong></h4><p>Kolay ve eğlenceli bir deneyim sağlar. Her bir öneri için daha uzun açıklamaların bulabilen kullanıcılar, sistemi daha kullanışlı olarak algılamaktadır. Bu, genel memnuniyetin artması anlamına gelir.</p><h3>Kaynaklar</h3><ul><li>Kaur, Harleen &amp; Bathla, Gourav. (2019). <em>Techniques of Recommender System</em></li><li>Ghazanfar, Mustansar Ali &amp; Prugel-Bennett, A. (2011). <em>Fulfilling the Needs of Gray-Sheep Users in Recommender Systems, A Clustering Solution</em></li><li>Özgöbek, Özlem. (2015). <em>Ontolojiler ve Anlamsal Çıkarsama Kullanılarak Bir Öneri Sistemi Tasarlanması</em></li><li>Özkök, Hülya. (2020). <a href="https://www.datasciencearth.com/recommendation-engine-tavsiye-oneri-sistemleri/">Recommendation Engine (Tavsiye-Öneri Sistemleri)</a></li><li>Merter Dereli, Sena. (2020). <a href="https://www.veribilimiokulu.com/oneri-sistemleri-101/">Öneri Sistemleri 101</a></li><li>Çolak, Ozan. (2020). <a href="https://medium.com/@ozancolak/%C3%B6neri-sistemleri-recommendation-system-basit%C3%A7e-nedir-124cdedd8dc1">Öneri Sistemleri (Recommendation System) Nedir</a></li><li>Çilingir, İrem. (2019). <a href="https://medium.com/@iremcilingir/%C3%B6neri-sistemleri-recommendation-systems-28a3f341c0a9">Öneri Sistemleri (Recommendation System)</a></li><li>Shi, Wenbo. (2020). <a href="https://towardsdatascience.com/recommendation-systems-a-review-d4592b6caf4b">Recommendation Systems: A Review</a></li><li>Kolbert, Andras Peter. (2017). <em>A Scalable Recommender System Using Latent Topics and Alternating Least Squares Techniques</em></li><li>Utku, Anıl &amp; Akçayol, Muhammet Ali. (2017). <em>Öğrenebilen ve Adaptif Tavsiye Sistemleri İçin Karşılaştırmalı ve Kapsamlı Bir İnceleme</em></li><li>Güler, Şahiner. (2019). <em>Öneri̇ Si̇stemleri̇ ve E-Ti̇carette Öneri̇ Si̇stemleri̇ni̇n Kullanımı</em></li><li>Pan, Li, Li, Zhu. (2020). <em>Explainable Recommendation via Interpretable Feature Mapping and Evaluation of Explainability</em></li><li>Tintarev, Nava. (2009). <em>Explaining recommendations</em></li><li>Kuosmanen, Ville. (2020). <a href="https://towardsdatascience.com/explainable-recommendations-why-opening-black-boxes-matters-bd5754af63a2">Explainable recommendations — why opening black boxes matters</a></li><li>Contal, Emile. (2020). <a href="https://itnext.io/what-are-the-top-recommendation-engine-algorithms-used-nowadays-646f588ce639">What are today’s top recommendation engine algorithms?</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c0c23f46ede9" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>