Öneri Sistemleri ve Bir Uygulama Alanı Olarak Haber Öneri Sistemleri Özlem Özgöbek, R. Cenk Erdur Ege Üniversitesi, Bilgisayar Mühendisliği Bölümü, Bornova, İzmir ozlem.ozgobek@ege.edu.tr, cenk.erdur@ege.edu.tr Özet: Öneri sistemleri uzun yıllardır araştırmacıların odağında olan bir konudur. Kökleri bilgi elde etme (information retreival) sistemlerine dayanan bu araştırma alanı, pratik uygulamalar konusunda da dikkat çekicidir. İlk bakışta oldukça basit bir konu gibi görünen öneri sistemleri, derinlemesine incelendiğinde her birisi ayrı bir araştırma konusu olabilecek pek çok zorluk içermektedir. Günümüzde öneri sistemleri pek çok alana uygulanmasına rağmen, tam verimli ve etkili çalışan bir öneri sistemi yapmak oldukça zordur ve makine öğrenmesinden içerik analizine kadar oldukça karmaşık yöntemler içermektedir. Bu çalışmada öneri sistemleri ve öneri sistemlerinde kullanılan yöntemler açıklanmış, pratikteki uygulamalarından örnekler verilmiş ve öneri sistemlerinin en ilginç uygulama alanlarından birisi olan haber öneri sistemleri açıklanmıştır. Anahtar kelimeler: Öneri Sistemleri, Haber Öneri Sistemleri, Bilgi Elde Etme. Recommender Systems and News Recommender Systems As An Applicatıon Domain Abstract: Recommender systems are built to bring the relevant information to the user without any manuel efforts. This research are is in the focus of researchers for many years. It has the roots back to the information retreival systems. At first sight it seems easy to build recommender systems. But when we look into it in detail we see that it is a challenging task which contains a lot of different problems. Even though we see examples of commercial recommender systems, it is very hard to build an efficient personalized recommender system. In this paper, recommender systems and methods used to build a recommender system is explained and examples of current working recommender systems are given. Also as one of the most challenging domains of recommender systems, news recommender systems are explained. Keywords: Recommender Systems, News Recommender Systems, Information Retreival. 1. Giriş Öneri sistemleri kullanıcının herhangi bir çabası olmadan, kullanıcının kişisel tercih ve özelliklerine göre uygun öğeler tavsiye eden sistemlerdir. Arama motorlarının aksine kullanıcı aradığını bulmaya çalışmamakta ancak sistem kullanıcının istediği öğeleri bulmaya çalışmaktadır. Öneri sistemleri kullanıcılara daha önce bilmedikleri öğeleri de sunarak, kullanıcıların yeni şeyler keşfetmesini sağlamaktadır. Öneri sistemlerinin kökenleri bilgi elde etme (information retreival) çalışmalarına dayanmaktadır. Ancak 1990 ların ortasından itiraben öneri sistemleri ayrı bir araştırma dalı haline gelmiştir [1]. Günümüzde öneri sistemleri makine öğrenmesi, metin analizi, anlamsal yöntemler gibi farklı teknikler barındıran karmaşık sistemlerdir. Öneri sistemleri pek çok alana uygulanabilmektedir. Alışveriş ürünleri, film ve müzik önerileri üzerinde en çok çalışılan konular olmuştur. Pek çok araştırmaya göre alışveriş ürünlerinde yapılan kişiselleştirilmiş öneriler satışları arttırmaktadır. Günümüzde özellikle alışveriş ve haber sitelerinde sıkça rastlanan, kişiselleştirilmiş öneriler olmasa bile en yeni ya da en popüler öğelerin kullanıcılara sunulması bile etkili bir yöntemdir. Ancak öneri sistemlerinde öneriler çoğunlukla kişiye özel olmaktadır. Bu da kullanıcının hoşuna giden öğelere kolayca erişmesine yardımcı olmaktadır. Bildirinin 2. bölümünde öneri sistemleri ve öneri sistemlerinde kullanılan yöntemler açıklanmış, 3. bölümde başlıca öneri sistemi zorlukları ve alan uygulamalarındaki farklılıklardan söz edilmiş, 4. bölümde öneri sistemlerinin gerçekleştirimi en zor olan alanlarından birisi olan haber öneri sistemleri incelenmiş, 5. bölümde ticari kullanımda olan öneri sistemlerinden örnekler verilmiş ve 6. bölümde sonuç ve gelecek çalışmalar sunulmuştur. 292
2. Öneri Yöntemleri Öneri sistemlerinin geliştirilmesi için kullanılan farklı yöntemler bulunmaktadır. Kimi öneri sistemleri önerilerde bulunmak için kullanıcılar arasındaki benzerlikleri göz önüne alırken, diğerleri içerik analizi ve içerik benzerliklerini kullanmaktadır. Literatürde bu yöntemler genellikle işbirlikçi filtreleme, içerik tabanlı filtreleme ve hibrid olarak üçe ayrılmaktadır. Ancak öneri yöntemlerini daha farklı sınıflandırmak da mümkündür. Örneğin; [4] de öneri teknikleri beş farklı grupta incelenmiştir. Bu beş grup işbirlikçi filtreleme, içerik tabanlı filtreleme, demografik, yardımcı tabanlı ve bilgi tabanlı olarak adlandırılmaktadır. 2.1 İçerik Tabanlı Filtreleme İçerik tabanlı öneri sistemlerinde bir öneride bulunmak için öğelerin özellikleri kullanılmaktadır. Bu tür sistemlerde kullanıcının geçmişte tercih ettiği öğelerle ortak özellikleri bulunan yeni öğeler kullanıcıya tavsiye edilir. Şekil 1 de öğeler arasındaki benzerlik oranlarının tutulduğu matrise bir örnek verilmiştir. Buna göre, örneğin öğe 2 ve öğe 3 arasında yüksek oranda benzerlik bulunmaktadır. Şekil 2 de ise bir kullanıcının hangi öğeleri daha çok beğendiğine dair bir matris verilmiştir. Bu örneğe göre, eğer kullanıcı 2 numaralı öğeyi beğenmişse, 2 ve 3 numaralı öğeler benzer olduğu için bu kullanıcıya 3 numaralı öğeyi önermek mantıklı olacaktır. Öğeler arasındaki benzerlikler hesaplanırken çeşitli yöntemler ve parametreler kullanılabilir. Metin analizi, anahtar kelime benzerlikleri gibi içerikteki her türlü benzerliğin tespit edilmesi ile öneri sistemine dahil edilmesi içerik tabanlı filtreleme yöntemine girmektedir. İçerik tabanlı filtreleme yönteminin kökenleri bilgi elde etme yöntemlerine dayanmaktadır [1]. Bazı çalışmalarda içerik tabanlı filtreleme yerine bilgi filtreleme (information filtering) terimi kullanılmıştır [2] ancak tamamen aynı yöntemden söz edilmektedir. Şekil 2 Bir kullanıcının öğeleri beğenme oranını gösteren matris. 2.2 İşbirlikçi Filtreleme Bu yöntemde öneriler kullanıcın diğer kişilerle olan benzer tercihleri kullanılarak yapılmaktadır. Örneğin; kullanıcının geçmişte izlediği ve beğendiği filmleri izleyip beğenen başka bir kullanıcı varsa bu iki kullanıcı arasında bağlantı kurulur, birisinin izleyip beğendiği filmler diğerine de önerilir. Şekil 3 te iki kullanıcının aynı öğeleri ne kadar beğendiğine dair tablolar verilmiştir. Buna göre, her iki kullanıcı da 2 ve 4 numaralı öğeleri aynı derecede beğenmiştir. A kullanıcısı 5 numaralı öğeyi de beğenmiştir. Ancak B kullanıcısının henüz bu öğeye dair bir geribildirimi olmamıştır. Bu durumda A ve B kullanıcısının geçmişteki benzerlikleri göz önüne alınarak, bu iki kullanıcının benzer beğenileri olduğu çıkarsanıp, 5 numaralı öğe B kullanıcısına da tavsiye edilebilir. İşbirlikçi filtreleme yönteminde kullanıcı benzerliklerinin hesaplanmasında çeşitli yöntemler kullanılmaktadır. Bayes ağları (Bayesian network) ve kümeleme (clustering) yöntemleri bu konuda en çok kullanılan yöntemlerdendir [3]. Şekil 3 İki kullanıcı arasındaki beğeni benzerlikleri. 2.3 Hibrid Yaklaşım Şekil 1 Öğeler arası benzerlik matrisi. Bu yaklaşımda, içerik tabanlı ve işbirlikçi filtreleme yöntemlerinin birlikte kullanılır. Bu yaklaşımın amacı, tek bir yöntemin sahip olduğu dezavantajlardan mümkün olduğunca kurtulmak ve yöntemlerin avantajlarını birleştirmektir. İçerik tabanlı ve iş birlikçi filtreleme yöntemleri bir arada farklı şekillerde kullanılabilir. [4] te hibridleştirme yöntemleri yedi ayrı grupta incelenmiş ve farklı 293
yöntemlerim nasıl bir araya getirilebileceği detaylı olarak açıklanmıştır. 3. Başlıca Öneri Sistemi Zorlukları ve Alan Uygulamalarındaki Farklılıklar Bir öneri sistemi oluşturmak birçok kişi için ilk bakışta oldukça kolaydır. Kullanıcılara çeşitli öğeler önermek kulağa kolay bir işlem gibi gelmektedir. Ancak kişiye özel önerilecek olan uygun öğeyi bulmak, sadece kullanıcı hakkında değil, aynı zamanda öğeler ve genel bağlam hakkında da detaylı bilgi sahibi olmayı gerektiren karmaşık bir iştir. Kişisel tercihler ve ilgi alanları kullanıcının yaşına, kültür seviyesine, ait olduğu kültüre, cinsiyetine ve kişiliğine göre farklılık göstermektedir. Ayrıca ilgi alanları zaman içinde değişebilmektedir. Başarılı bir öneri sistemi, her biri ayrı bir araştırma alanı olabilecek birden fazla zorlukla başa çıkabilmelidir. Bu zorluklardan başlıcaları şöyledir: Soğuk başlangıç sorunu, ölçeklenebilirlik, kullanıcı beğeni ve ilgi alanlarının değişmesi ve kullanıcı modelleme ve profillemedir. Bu zorluklar ve öneri sistemlerine ait diğer tüm zorluklar detaylı olarak [5] te incelenmiştir. Soğuk başlangıç sorunu, bir kullanıcı veya bir öğe sisteme yeni kayıt olduğuda, sistemde onun hakkında hiçbir veri bulunmadığından ortaya çıkmaktadır. Özellikle bir öğe ya da kullanıcının geçmiş verilerinin önemli olduğu sistemlerde (örneğin işbirlikçi filtreleme kullanılan sistemlerde) bu sorun önem kazanmaktadır [8]. Ölçeklenebilirlik, çoğu bilgisayar bilimleri alanının sorunu olduğu gibi öneri sistemlerinde de üstesinden gelinmesi gereken önemli bir sorundur. Özellikle sistemde milyonlarca öğe ve kullanıcı bulunan öneri sistemlerinde, öğeler ve/veya kullanıcılar arasındaki benzerliklerin bulunması ve zaman zaman tekrar hesaplanması, içeriğin analiz edilmesi gibi fazla işlem gücü gerektiren durumlarda ölçeklenebilirlik önem kazanmaktadır. Etkin çalışan ve pratik olarak kullanılabilir bir sistemin ölçeklenebilir olması gerekmektedir. [6] ve [7] de bu zorlukla ilgili çeşitli çözümler önerilmiştir. Kullanıcıların ilgi alanlarının ya da beğenilerinin zaman içinde değişmesi olağan, çoğu zaman da kaçınılmaz bir durumdur. Örneğin, bir kişi 4-5 sene önce beğendiği bir filmi artık beğenmiyor olabilir. Ya da geçen sene takip ettiği ünlü kişiyi takip etmekten vazgeçmiş olabilir. Öneri sistemi, kullanıcının beğeni ve ilgi alanlarındaki değişiklikleri dikkate almalıdır [8]. Bazı öneri sistemi alanlarında bu sorun çok da önemli değilken bazı alanlarda oldukça önemli ve öncelikli olabilir. Örneğin, bir kitap öneri sistemi için kullanıcı ilgi alanı ve beğenisinin değişmesi oldukça uzun vadeli bir durumdur. Ancak örneğin, bir haber öneri sistemi için bu değişiklikleri gözlemlemek ve tahmin etmek daha karmaşık bir iştir. Kullanıcı geçen sene beğenip takip ettiğini ünlü kişi ile ilgili haberleri artık görmek istemiyor olabilir ya da genel olarak politika ile ilgilenmeyen bir kişi seçim dönemlerinde politika haberlerini takip etmek istiyor olabilir. Kullanıcı profilleme ve modelleme, tek başına ayrı bir çalışma alanı olabilecek karmaşık bir konudur. Bir kullanıcının kişisel özellikleri, kişisel beğeni ve ilgi alanları, zaman içindeki değişim de göz önüne alınarak modellendiğinde kişiye özel uygun önerilerin yapılabilmesi mümkündür [6] [8]. Elbette bu sırada kullanıcıların kişisel gizliliği ve veri güvenliği de sağlanmalıdır. 4. Haber Öneri Sistemleri Günümüzde kişiler haberleri internetten daha fazla takip etmeye başlamışlardır. Bazı görüşlere göre basılı gazete ve dergiler gelecekte yerini tamamen sayısal hallerine bırakacaktır. Son yıllarda basılı haber kaynaklarının tirajlarının düştüğü, sayısal haber kaynak aboneliklerinin ise arttığı gözlenmiştir. İnternet ortamının dinamikliği, güncel haberlere anında ulaşabilme imkanı pek çok kimse için oldukça önemlidir. Ancak bu dinamizmin olumsuz sonucu olarak çok fazla haber kaynağı ve haber başlığı bulunmaktadır. Sık sık güncellenen haber siteleri, bir saat içinde yüzlerce yeni makaleyi okuyuculara sunabilmektedir. Pek çok okuyucu ilgisini çeken makaleleri bulabilmek için çokça zaman harcamaktadır. Kullanıcılar kimi zaman sadece haber başlıklarına bakarak ilgi çekici bir haber bulmaya çalışır, kimi zaman ise en çok okunan haberlere ya da son dakika gelişmelerine göz atarlar. Ancak bu yöntemlerin hiçbirisi tam olarak kullanıcının ilgisini çeken haberleri bulmayı garantilemez. Üstelik internetteki pek çok haber kaynağını göz önüne alırsak, okuyucular sadece haber okumak için çok fazla zaman harcayacaklardır. Haber öneri sistemleri, kullanıcılara kişisel ilgi ve tercihlerine göre en uygun makaleleri otomatik olarak sunmayı hedefler. [9] da belirtildiği gibi U kullanıcılar kümesi, A haber makaleleri ve V kullanıcıların bir haber makalesi hakkındaki beğeni veya tercihleri kümesi olmak üzere haber öneri sistemleri şu şekilde formüle edilebilir: 294
Buna göre bir haber öneri sisteminin amacı bir kullanıcı için aşağıdaki fonksiyonun en büyük değerini döndüren haber makalesini kullanıcıya önermektir. Haber önermek diğer öneri sistemleri ile karşılaştırıldığında gerçekleştirmesi en zor olanlardan bir tanesidir. Haber alanı diğer alanlardan birçok noktada ayrılır. Örneğin; makalelerin güncelliği ve beğenilirliği çok hızlı değişmektedir. Bir film öneri sisteminde, sistem 1970 li yıllardan bir film önerebilir ancak çoğu kullanıcı sadece birkaç gün önceki haberi bile okumak istemez. Ya da beğenilen bir film birkaç hafta boyunca en sevilenler listesinde en üstte kalabilir ancak bir haber başlığı bu yerini birkaç saatten fazla koruyamaz. Haber alanı diğer tüm alanlara göre çok hızlı değişmektedir. Güncellik diğer alanlardan çok daha fazla önem arz etmektedir. Diğer yandan, bazı haberler birbiri ile bağlantılı olabilir. Kullanıcı bir yazı dizisinin geçen haftaki bölümünü okumak isteyebilir ya da bugün olan bir olay geçen ayki bir başka olay ile bağlantılı olduğundan kullanıcı geçmiş makaleyi de okumak isteyebilir. Buna ek olarak, sadece kullanıcı tercihlerini öğrenmek de haber öneri sistemleri için yeterli olmayacaktır. Bazen kullanıcılar bir haber ilgi alanlarına girmese bile o haberi sadece önemli olduğunu düşündüklerinden dolayı okumak isteyeceklerdir. Örneğin; normalde politika haberleri kullanıcının ilgisini çekmese bile seçim döneminde bu tür haberleri takip etmek isteyebilir. Kullanıcılar çeşitli haber kategorilerini farklı zamanlarda ve belirli olaylara bağlı olarak okumayı tercih edebilirler. Tüm bu zorlukların yanı sıra her saat yayınlanan yüzlerce yeni haber başlığını da düşünürsek haber öneri sistemlerinin karmaşıklığı daha iyi anlaşılacaktır. Oysa bir film ya da bir müzik öneri sisteminde, sisteme yeni eklenen nesnelerin sıklığı çok daha düşüktür. 5. Ticari Kullanımda Olan Öneri Sistemlerinden Örnekler sitesi olan Amazon, kullanıcının incelemekte olduğu öğe ile benzer olan diğer öğeleri tavsiye etmektedir [11]. Çok bilinen Bu ürünü alan şunları da aldı. şeklinde sunulan öneriler çoğunluktadır. Netflix: Üyelere online film kiralama servisi sunan Netflix, öneri sistemleri konusunda başlattığı 1 milyon dolar ödüllü yarışma ile ses getirmiştir [12]. Netflix, kullanıcılara film önerisinde bulunan bir öneri sistemine sahiptir. Last.fm: Üyelere hoşlanacakları tahmin edilen şarkıları tavsiye eden bir müzik öneri sistemine sahiptir. [13] Facebook: Dünyanın en büyük sosyal ağlarından birisi olan Facebook kullanıcıların tanıyor olabilecekleri kişileri önermektedir. [14] LinkedIn: Facebook benzeri bir şekilde kullanıcılara henüz arkadaş olmadıkları ancak tanıdık olabilecek kişileri önermektedir [15]. IMDB: Oldukça büyük bir film veritabanına sahip olan IMDB kayıtlı kullanıcıların oyladıkları filmleri baz alarak kullanıcılara yeni filmler önermektedir [16]. 6. Sonuç ve Gelecek Çalışmalar Öneri sistemleri günlük yaşantımızda biz farkında olmasak da internette çokça karşımıza çıkmaktadır. Hemen her alana uygulanabilen öneri sistemleri daha çok film, müzik, alışveriş, sosyal medya ve haber alanlarında yaygın olarak kullanılmaktadır. Etkin çalışabilen, kişiselleştirilmiş önerilerde bulunabilen, gelişmiş bir öneri sisteminin pratik olarak uygulanabilmesi pek çok zorluk içermektedir ve günümüzde hala tam olarak çözülebilmiş değildir. Diğer yandan öneri sistemleri kimilerince gelecekte arama motorlarının yerini alacak, kullanıcının bilgiyi arayıp bulması değil, kullanıcının istediği bilginin ona otomatik olarak sunulması önem kazanacaktır. Bu görüş elbette tartışmaya açıktır. Ancak şimdiden öneri sistemleri hayatımızda çokça rol almaya başlamıştır ve gelecekte daha etkin sistemler yapılacak, daha da yaygınlaşacaktır. Bu bildiride öneri sistemleri ve öneri sistemlerinde kullanılan yöntemler açıklanmış, ticari kullanımda olan öneri sistemlerinden örnekler verilmiş ve bir uygulama alanı olan haber öneri sistemleri açıklanmıştır. İleriki çalışmalarda haber öneri sistemleri üzerine daha yoğun çalışmalar yapılacak ve ontoloji ve anlamsal çıkarsamanın öneri sistemlerinde nasıl kullanıldığı incelenecektir. NewYork Times: ABD nin ünlü NewYork Times gazetesi üye olan kullanıcılarına haber öneri servisi sunmaktadır [10]. Amazon: Dünyanın en büyük internet alışveriş 295
7. Kaynaklar [1] Adomavicius, G. and Tuzhilin, A (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. Knowledge and Data Engineering, IEEE Transactions on, 17(6):734 749 [2] Lee, H. and Park, S. J. (2007). Moners: A news recommender for the mobile web. Expert Systems with Applications, 32(1):143 150. [3] Sarwar, B., Karypis, G., Konstan, J., and Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms. In Proceedings of the 10th international conference on World Wide Web, pages 285 295. ACM. [11] Amazon: http://www.amazon.com/ [12] Netflix ödüllü öneri sistemi yarışması: http:// www.netflixprize.com/ [13] LastFm: http://www.last.fm/ [14] Facebook: https://www.facebook.com/ [15] LinkedIn: https://www.linkedin.com/ [16] IMDB (Internet Movie DataBase): http:// www.imdb.com/ [4] Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User modeling and user-adapted interaction, 12(4):331 370. [5] O. Ozgobek, J. A. Gulla, and R. C. Erdur. A survey on challenges and methods in news recommendation. In In Proceedings of the 10th International Conference on Web Information System and Technologies (WEBIST 2014), 2014. [6] Das, A., Datar, M., Garg, A., and Rajaram, S. (2007). Google news personalization: Scalable online collaborative filtering. In WWW 07 Proceedings of the 16th international conference on World Wide Web, pages 271 280. [7] Li, L., Wang, D., Li, T., Knox, D., and Padmanabhan, B. (2011). Scene : A scalable twostage personalized news recommendation system. In SIGIR 11 Proceedings of the 34th international ACM SIGIR conference on Research and development in Information Retrieval, pages 125 134. [8] Liu, J., Dolan, P., and Pedersen, E. R. (2010). Personalized news recommendation based on click behavior. In IUI 10 Proceedings of the 15th international conference on Intelligent user interfaces, pages 31 40. [9] J. A. Gulla, J. E. Ingvaldsen, A. D. Fidjestl, J. E. Nilsen, K. R. Haugen, and X. Su. Learning user profiles in mobile news recommendation. pages 183 194, 2013. [10] NewYork Times Haber Öneri Servisi http:// www.nytimes.com/recommendations/ 296