Aşırı Kişiselleştirme: Öneri Sistemi Kendi Kuyruğunu Isırınca

Aşırı kişiselleştirme şikayeti genelde algoritmanın kullanıcıyı fazla iyi tanımasına bağlanıyor. Mesele bu değil. Sistem kullanıcıyı tanımıyor, kendi geçmiş çıktısını tanıyor: gösterdiği şeyin tıklanma verisiyle eğitiliyor, hiç göstermediği şey hakkında ise hiçbir zaman veri toplamıyor. Daralma buradan geliyor.

Kapalı döngü

Bir öneri modeli neyi öğrenir? Yalnızca ekrana gelmiş öğelerin aldığı tepkiyi. Gösterilmemiş bir içerik için olumlu sinyal birikmesi mümkün değil, çünkü onu görme fırsatı hiç doğmadı. Model bir sonraki turda yine en yüksek skorlu, yani zaten gösterdiğine en çok benzeyen şeyi öne çıkarır. İki üç tur sonra kullanıcının profili gerçek ilgi alanlarını değil, sistemin ilk turdaki tahminini yansıtır hale gelir.

Bu, kötü bir modelin arızası değil, iyi çalışan bir modelin doğal sonucu. Tıklama oranını maksimize etmesi istenmiş, o da yapıyor. Sorun hedefte, kodda değil.

İçerik yorgunluğu iddiasına ihtiyatlı yaklaşmak

Aynı türden içeriğin insanı sıktığı sık tekrarlanan bir cümle, ama olduğu gibi kabul edilecek bir cümle değil. Bir müzik uygulamasında kullanıcıların büyük kısmı aynı otuz şarkıyı dinleyip memnun ayrılıyor. Yemek tarifi arayan biri de o hafta aynı kategoride gezinmek istiyor olabilir. Tekdüzelik her bağlamda bir kusur değil.

Ayırt edici soru şu: kullanıcı bu daralmayı kendisi mi seçti, yoksa alternatifi hiç görmediği için mi orada? İlki tercih, ikincisi görme alanının daralması. Ürün tarafında bu ikisini karıştırmak, hiç ihtiyaç duyulmayan yerde çeşitlilik zorlamaya ve gerçekten sıkışmış kullanıcıyı fark etmemeye aynı anda yol açıyor.

Yankı odası tartışmasının ölçme sorunu

Kişiselleştirmenin kutuplaşmayı büyüttüğü tezi, kullanıcı deneyimi metinlerinde neredeyse kanıtlanmış gibi geçiyor. Oysa iddianın doğrulanması için karşılaştırma grubu gerekiyor: aynı kişilerin kişiselleştirilmemiş bir akışta ne yapacağı. Platform içinde böyle bir grup çoğu zaman yok, çünkü herkes aynı sistemin altında.

Elinizdeki ürün için sorulabilecek daha küçük ve cevaplanabilir bir soru var: bir kullanıcının otuz günde gördüğü ayrık kategori sayısı zaman içinde artıyor mu, azalıyor mu? Bu, felsefi bir tartışma değil, log sorgusu. Cevap düşüyorsa daralma gerçek, kaynağını tartışmaya sonra geçersiniz.

Geri bildirim düğmesi çeşitlilik üretmez

Yaygın tavsiye, kullanıcıya "bunu daha az göster" seçeneği vermek. Bu seçenek işe yarar, ama yaptığı iş çeşitlilik değil, budama. Kullanıcı istemediğini işaretler, sistem o dalı kapatır, kalan alan daha da daralır. Olumsuz geri bildirim filtreyi sıkar; gevşetmez.

Çeşitliliği kullanıcının "ilgilenmiyorum" düğmesine bağlamam. Çeşitlilik, sıralamanın kendisine yazılması gereken bir kural: sonuç listesinin belirli bir payı, skoru en yüksek olan değil, kullanıcının son dönemde hiç görmediği kategoriden gelir. Bu pay bir ürün kararı ve elle belirlenen bir sayı. Epsilon-greedy gibi en basit keşif yöntemlerinde bile o oran modelden çıkmaz, siz koyarsınız.

Keşif payının maliyeti

Keşif bedava değil. Listenin bir kısmını tahmini en iyi öğe yerine bilinmeyen bir öğeye ayırdığınızda, o oturumun tıklama oranı ölçülebilir biçimde düşer. Bu düşüş A/B testinde hemen görünür, keşfin getirisi ise haftalar sonra ve farklı bir metrikte görünür: geri dönen kullanıcı, oturum başına kategori sayısı, uzun vadeli elde tutma.

Kısa vadeli metrikle karar veren her ekip keşif payını sıfıra çeker. Bunu bir strateji hatası değil, ölçüm penceresi hatası olarak görmek daha doğru. Keşif oranını savunmak istiyorsanız, onu tıklama oranıyla değil, kullanıcının otuz günlük kategori genişliğiyle raporlayın.

Hassas alanlarda kişiselleştirmeyi kapatmak

Sağlık, finans, hukuk, iş ilanları. Bu alanlarda kişiselleştirme yalnızca sıkıcı bir akış üretmez, kullanıcının hangi seçeneklerin var olduğunu bilmemesine yol açar. Birine gösterilmeyen ilan onun için mevcut değildir.

Buralarda doğru davranış kişiselleştirmeyi inceltmek değil, o yüzeyde kapatmak. Sıralama tarafsız bir ölçüte, örneğin tarihe ya da mesafeye dayansın, filtreleme kararını kullanıcı açıkça versin. Kişiselleştirmenin değeri düşük riskli yüzeylerde yüksek, riskli olanlarda ise eksi.