Kozmetik e-ticaretinde kişiselleştirilmiş ürün önerileri için iki kuleli (two-tower) bir getirme yaklaşımı

Tavsiye sistemleri, e-ticaret platformlarında kullanıcı deneyimini geliştirmek ve etkileşimi artırmak açısından hayati bir rol oynamaktadır. Bu tez, TensorFlow Recommenders (TFRS) kullanılarak uygulanan geri getirme (retrieval) tabanlı sinir ağı mimarileriyle oluşturulmuş iki kişiselleştirilmiş ürün tavsiye yaklaşımının karşılaştırmalı analizini sunmaktadır. İlk yaklaşım, yalnızca kullanıcı ve ürün kimliklerine (ID) dayalı gömlemeleri (embedding) kullanmaktadır. İkinci model ise ürün temsilini, özellikle ürün başlığı ve üst kategori bilgilerini içeren anlamsal (semantik) içerik özellikleriyle zenginleştirmektedir. Her iki model de örtük satın alma verileriyle eğitilmiş ve en yakın komşu getirimi üzerinden recall@K ölçümünü yapan FactorizedTopK metriği ile değerlendirilmiştir. Çalışma, sıcak başlangıç (warm-start) senaryosu varsayımına dayanmakta ve ürün getirimi için gömleme uzayında anlamsal bağlamın değerine vurgu yapmaktadır. Bulgularımız, özellikle ürünler arasındaki anlamsal benzerliğin önemli olduğu durumlarda, içerik özelliklerinin dahil edilmesinin tavsiye doğruluğunu artırmada fayda sağladığını ortaya koymaktadır.