Kozmetik E-Ticaretinde Kişiselleştirilmiş Ürün Önerileri için İki Kuleli (Two-Tower) Bir Getirme Yaklaşımı

Abstract

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.Recommender systems play a vital role in enhancing user experience and driving engagement in e-commerce platforms. This thesis presents a comparative analysis of two personalized product recommendation approaches using retrieval- based neural architectures implemented with TensorFlow Recommenders (TFRS). The first approach relies solely on ID-based embeddings using user and product identifiers. The second model enriches product representations by incorporating semantic content features, specifically product title and upper category information. Both models are trained using implicit purchase data and evaluated with the FactorizedTopK metric, which estimates recall@K through nearest-neighbor retrieval. The study assumes a warm-start scenario and emphasizes the value of semantic context in embedding space for product retrieval. Our findings highlight the benefit of including content features for improving recommendation accuracy, particularly in contexts where semantic similarity between products is relevant.