Three Faces of the Cold-Start Problem: User, Item, System — and Practical Solutions

Cold-Start'ın Üç Yüzü#

1) User Cold-Start#

Problem Tanımı#

Severity Spektrumu#

Day 0: Yeni kayıt           → tam soğuk (0 interaction)
Day 0 + 5 dakika            → semi-cold (browse var, click yok)
Day 0 + 1 saat              → light-cold (5-10 click)
Day 0 + 1 hafta             → warm (CF artık çalışır)
Day 0 + 1 ay                → tam ısınmış

Çözüm Stratejileri#

1. Demografik / Sign-Up Bilgisi Kullanma

• Yaş, cinsiyet (opsiyonel, regülasyona dikkat)
• Lokasyon (IP-based bile)
• Cihaz (mobile vs desktop)
• Trafik kaynağı (Google search, Instagram ad, vs.)
• Browser language

# Pseudokod
cohort_segments = {
    ("TR", "iOS", "18-25"): top_items_for_segment,
    ("TR", "Android", "25-35"): top_items_for_segment,
    ...
}

2. Onboarding ile Explicit Preference Toplama

• Spotify: ilk girişte 5 favori sanatçı + 5 favori tür seçtirir.
• TikTok: ilk videolar gösterilirken kategori seçtirir.
• Tinder: ilk swipe'lardan profilini öğrenir.

3. Content-Based Fallback

Yeni kullanıcı → "Inception" tıkladı.
Sistem → Content-based ile benzer filmler: Memento, Interstellar, Tenet.

4. Meta-Learning (MAML, Reptile, vs.)

• MeLU (Lee et al., KDD 2019)
• MAMO (Dong et al., 2020)
• TransRec (Liu et al., 2022)

5. Exploration / Bandit Stratejisi

• ε-greedy: %90 popüler, %10 keşif.
• Thompson Sampling: olasılıkçı keşif.
• LinUCB: contextual bandit.

Tipik Strateji Kombinasyonu#

1. 0-5 interaction: Cohort-based (demografik segmentin popüleri) + onboarding seçimi.
2. 5-50 interaction: Content-based + light CF + bandit exploration.
3. 50+ interaction: Tam personalized CF.

2) Item Cold-Start#

Problem Tanımı#

Niçin Kritik?#

• E-ticaret: Yeni ürün stoklarsanız, hiç gösterilmezse stok zararı.
• İçerik platformları: YouTuber'lar yeni video yükler, viral olmazsa platform kaybeder.
• Müzik: Yeni şarkı çıkar, hiç çalmazsa sanatçı küser.
• Haber: Yeni haber dakikalarca güncel — geç verilirse haber değer kaybeder.

Çözüm Stratejileri#

1. Content/Side Information ile Embedding Üretme

• Text: Ürün başlığı + açıklama → BERT/sentence-transformer → embedding.
• Image: Ürün fotoğrafı → CLIP/ResNet → embedding.
• Audio: Şarkı dosyası → Audio CNN (Spotify yaklaşımı) → embedding.
• Multimodal: Yukarıdakilerin kombinasyonu → joint embedding.

2. Two-Tower Mimarisi ile Doğal Çözüm

Yeni item geldi
  ↓
Item feature'ları (text, image, category, brand, price) → item tower → embedding
  ↓
Existing user embedding'leriyle dot product → ranking
  ↓
Hızlıca uygun kullanıcılara servis

3. Hybrid: CF + Content

item_emb = Σ feature_weights[f] × feature_emb[f]

4. Exploration Boost — "İlk Gösterim Garantisi"

• 1000 kullanıcının tepkisi → ilk sinyal.
• İyi tepki → daha geniş yayılım.
• Kötü tepki → silinen sinyal.

5. Drop-In Architecture: DropoutNet, MTPR

• DropoutNet (Volkovs et al., NeurIPS 2017)
• MTPR (Wang et al., 2019)

3) System Cold-Start#

Problem Tanımı#

• Startup'ın launch günü
• Bir e-ticaret sitesinin yeni bir kategori (örn. ev tekstili) eklemesi
• Yeni bir geographic market'e açılma (Türkiye'ye giren yabancı bir platform)

Çözüm Stratejileri#

1. Açılışta Maximum Domain Expertise

• E-ticaret kategori uzmanları manuel kuratör.
• Editorial team (gazetelerde editorial olduğu gibi).
• Influencer/expert curation.

2. "Borrow from Adjacent Domain"

• Audio platformun yeni video bölümü → audio listening pattern'ından video taste tahmin.
• Yetişkin platformun yeni çocuk bölümü → ebeveyn segmentinden çocuk öneri.

3. Synthetic / Bootstrap Data

• Hediye/indirim karşılığı anket.
• A/B test ile farklı varsayılan sıralamaları dene.
• Beta closed launch — küçük grupta hızla data topla.

4. Pure Popularity → Exploration → Personalization

• Hafta 1-2: pure popularity (en çok satılan/izlenen)
• Hafta 3-4: kategori-bazlı popularity (kullanıcının ilk seçtiği kategoride)
• Ay 2-3: exploration (bandit ile genişletme)
• Ay 4+: tam personalization (CF güvenle çalışır)

Türkiye Pratik Örneği: Getir'in Launch'u#

• Recommender yoktu — sadece popularity + bayilik bazlı sıralama.
• 2018-2019: ilk personalization (basic CF).
• 2020+: deep personalization (now-standard mimari).

Bu Kursta Cold-Start'a Tekrar Geri Döneceğimiz Modüller#