Explicit and Implicit Feedback: A Complete Guide from 1-5 Stars to Click-Skip Behavior

Tanımlar#

Explicit Feedback#

• 1-5 yıldız puanlama
• Like / Dislike (binary)
• Thumbs up/down
• Yorumlar (yazılı içerik)
• Anketler ("Bu ürünü beğendiniz mi?")

Implicit Feedback#

• Click (tıklama)
• View / Impression (görüntüleme)
• Dwell time (sayfada kalma süresi)
• Watch percentage (video tamamlama oranı)
• Add to cart (sepete ekleme)
• Purchase (satın alma)
• Skip (geçme)
• Share (paylaşma)
• Scroll depth (kaydırma derinliği)

Karşılaştırma: Explicit vs Implicit#

Explicit Feedback Derinlemesine#

"1-5 Yıldız" Aldatmacası#

Bias 1: J-Curve Distribution

• 5★: %50-60
• 4★: %20-25
• 3★: %5-10
• 2★: %3-5
• 1★: %5-10

Bias 2: Self-Selection Bias

Bias 3: Anchoring

Explicit Feedback ile Çalışma Stratejisi#

Strateji 1: Bias Çıkarma

r̂_ui = μ + b_u + b_i + p_u · q_i

• μ: global mean
• b_u: kullanıcı bias (bazıları sürekli yüksek, bazıları düşük verir)
• b_i: item bias (bazı item'lar herkesçe sevilir)
• p_u · q_i: interaction term

Strateji 2: Threshold ile Binary'e Çevirme

y_ui = 1 if r_ui ≥ 4 else 0

Strateji 3: Ordinal Regression

Implicit Feedback Derinlemesine#

Implicit Feedback Niçin Modern Standart?#

1. Hacim — Netflix Prize 100M rating'ti (yıllarca toplandı). Bir orta-ölçek e-ticaret sitesinin 1 günlük click log'u bundan büyük.
2. Otomatik — kullanıcı niyetli yapmaz, log dosyasında zaten var.
3. Davranışa dayalı — rating "bence güzeldi" demek; click "fiilen ilgilendim" demek. Davranış sözden daha güçlü sinyaldir.

Implicit Feedback'in Üç Sınıfı#

Implicit Feedback'in Büyük Problemi: Negative Belirsizliği#

Kullanıcı A item X'i tıklamadı. Çünkü:
  (a) X'i görmedi (impression bile değil)
  (b) X'i gördü, ilgilenmedi (negatif sinyal!)
  (c) X'i gördü, beğendi ama daha sonra geri dönecekti (gizli pozitif)
  (d) X'i gördü, beğendi ama başka şey için geldiği için tıklamadı

Konfidans (Confidence) Yaklaşımı: Hu, Koren, Volinsky 2008#

• "Etkileşim var" = positif (rating 1 olarak işaretle)
• "Etkileşim yok" = negatif ama düşük confidence ile
• Loss fonksiyonu confidence-weighted:

L = Σ c_ui (r_ui - p_u · q_i)²
c_ui = 1 + α · (interaction_count)

Negative Sampling Stratejileri#

1. Uniform Random Sampling

2. Popularity-Based Sampling

3. In-Batch Negative

4. Hard Negative Mining

Dwell Time ve Watch Percentage — Modern Implicit Sinyaller#

Kullanıcı A: clickbait makaleyi tıkladı, 3 saniyede çıktı → değer kaybetti
Kullanıcı B: makaleyi tıkladı, 8 dakika okudu → değer kazandı

Dwell Time Sinyalini Etiket Olarak Kullanma#

Yaklaşım 1: Binary threshold

y_ui = 1 if dwell_time > 30s else 0

Yaklaşım 2: Continuous reward

y_ui = min(dwell_time / expected_dwell, 1.0)

Yaklaşım 3: Multi-level label

0: hiç click yok
1: click, çok hızlı çıktı (skip)
2: click, orta dwell
3: click, completion
4: click + completion + ek aksiyon (like/share/follow)

Hibrit: Explicit + Implicit Aynı Anda#

Pozitif sinyaller (artan ağırlık sırasıyla):
  1. Impression          (zayıf — gördü)
  2. Click               (orta)
  3. Dwell > 30s         (güçlü)
  4. Save/Bookmark       (çok güçlü)
  5. Add to cart         (çok güçlü)
  6. Purchase            (en güçlü)
  7. Repeat purchase     (en güçlü+)
  8. Explicit 5★         (çok güçlü)

Negatif sinyaller:
  -1. Impressed but not clicked
  -2. Click, immediate skip (< 3s)
  -3. Explicit 1★
  -4. Unsubscribe / unfollow

Multi-Task Loss Örneği#

L_total = w_click · L_click + w_dwell · L_dwell + w_purchase · L_purchase

Pratik Örnek: E-ticaret İçin Etiket Tasarımı#

# Sinyal ağırlıkları (örnek)
SIGNAL_WEIGHTS = {
    "impression": 0.0,           # nötr, sadece exposure bilgisi
    "click": 1.0,                # zayıf pozitif
    "dwell_30s": 2.0,            # ilgi gösterdi
    "image_zoom": 1.5,           # ek mikro-aksiyon
    "add_to_wishlist": 3.0,      # niyet
    "add_to_cart": 5.0,          # güçlü niyet
    "purchase": 10.0,            # konversiyon
    "repeat_purchase_7d": 15.0,  # sadakat sinyali
    "return_within_30d": -5.0,   # negatif (geri iade)
    "review_5star": 8.0,         # explicit pozitif
    "review_1star": -10.0,       # explicit negatif
}

# Tek bir interaction için toplam sinyal
def interaction_score(events):
    return sum(SIGNAL_WEIGHTS[e] for e in events)

Bu Ağırlıkları Nasıl Belirlersin?#

1. Domain expertise — sektör bilgisiyle başlangıç.
2. Correlation analysis — hangi sinyal long-term LTV ile en çok korele?
3. A/B testing — production'da farklı ağırlık konfigürasyonlarını test et.
4. Counterfactual learning — IPS düzeltmeli offline evaluation (Modül 19).

Bu ağırlık seti statik değildir. 6 ayda bir gözden geçirmek standart pratiktir.

Sıradakİ Ders#