RecBole'u kullanmaya başlasam baseline asimetrisi tamamen çözülür mü?

Büyük ölçüde — evet. RecBole standardize edilmiş protocol, tune edilmiş baseline'lar, 28 dataset, multiple-seed evaluation sunar. Sıfırdan kuruyorsan 6 ay zaman, RecBole ile 1 hafta.

Offline-online correlation r=0.3 — peki niye offline test yapıyoruz?

Çünkü 0 değil. r=0.3 zayıf ama anlamlı — offline iyileşen modellerin %60-70'i online'da en azından flat. Offline test 'kötü modelleri elemek' için iyi, 'kazananı kesin söylemek' için zayıf. A/B test final hakim.

Strong baseline'ı tune etmek 2-3 gün — bu fazla zaman değil mi?

Bir paper veya production decision yapıyorsan, evet. Bu zaman olmadan yaptığın işin bilimsel değeri yok. 'Yeni neural model her şeyden iyi' iddiası, zayıf baseline ile söylenirse — boş. Time-to-market hedefin varsa: Implicit ALS gibi 'çok iyi default' algorithm seç, kütüphane kullan, baseline tune'u atla — ama 'state-of-art' iddia etme.

Offline-Online Boşluğu: Dacrema Krizi ve Doğru Protokol Seçimi

2019'da Dacrema, Cremonesi, Jannach paper'ı recommender literatürünü silkeledi: 'Neural recommender'lar gerçekten iyi mi? Çoğunu klasik k-NN bile geçiyor.' Bu derste reproducibility krizi, offline-online korelasyon problemi ve nasıl doğru protokol seçileceği.

Şükrü Yusuf KAYA

20 dakikalık okuma

13.05.2026

İleri

Offline-Online Boşluğu: Dacrema Krizi ve Doğru Protokol Seçimi

🌊 Bu ders bir 'silkeleme' anlatıyor

2019 RecSys konferansında Maurizio Dacrema, Paolo Cremonesi ve Dietmar Jannach'ın 'Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches' paper'ı tüm sahaya soğuk su döktü. Bu ders o tartışmayı tanıtıyor — ve sonuçlarını günümüze nasıl uygulayacağını gösteriyor.

Dacrema, Cremonesi, Jannach 2019 — "Are We Really Making Much Progress?"#

Bulguları#

Dacrema ve ekibi 2015-2018 arasında yayınlanan 18 neural recommender paper'ını seçti — top venue'lerden (KDD, SIGIR, RecSys, WSDM). Hepsini aynı kod tabanında, aynı dataset'lerde, aynı protokolde yeniden çalıştırdı.

Sonuçlar şok ediciydi:

18'in 11'i basit baseline'ları (well-tuned k-NN, BiasedMF) geçemedi.
3 paper'da reported sonuçlar reproduce edilemedi bile.
Çoğu paper'da baseline yetersiz tune edilmişti — kasten mi yoksa dikkatsizlikten mi?

En Çarpıcı Bulgular#

Neural Yöntem	Original Paper'da	Reproduced	Tuned k-NN	Sonuç
NCF (He 2017)	NDCG=0.45	NDCG=0.41	NDCG=0.43	k-NN kazandı
Mult-VAE (Liang 2018)	NDCG=0.40	NDCG=0.39	NDCG=0.38	Mult-VAE biraz iyi
CDAE (Wu 2016)	Recall=0.38	Recall=0.31	Recall=0.36	k-NN kazandı
CMN (Ebesu 2018)	NDCG=0.42	NDCG=0.32	NDCG=0.41	k-NN açık ara

Tartışmanın Etkisi#

2019 sonrası tüm RecSys/KDD paper'ları baseline'larını sıkı tune etme zorunluluğu getirildi.
RecBole, Cornac, Elliot gibi reproducibility framework'leri popülerleşti.
"Strong Baseline" trendi — yeni neural model önermek için artık önce eski baseline'ları yıkman gerek.

Niçin Bu Kriz Yaşandı?#

Sebep 1: Yanlış Protokol — Cherry-Picked Splits#

Birçok paper random split + LOO with weak negatives kullanıyordu. Bu protokol şişirici — uzayı kapsamıyor.

Sebep 2: Zayıf Baseline'lar#

k-NN gibi "eski" yöntemler genelde default hyperparameter'larla çalıştırılıyordu. Halbuki:

Doğru similarity metric seçimi (Pearson vs cosine)
Neighborhood size tuning
Shrinkage parametre
Implicit vs explicit handling

Bu tuning'le k-NN +%20-40 NDCG iyileşebiliyor.

Sebep 3: Optimization Asimetri#

Yeni paper'lar kendi modelini çok tune ediyor, baseline'ları az. Bu asimetrik effort yanlış kıyaslama yaratır.

Sebep 4: Dataset Cherry-Picking#

Bir paper "Movielens'te baseline geçemedik ama Pinterest'te iyiyiz" — sadece kazandığı dataset'i raporlayabiliyor (publication bias).

Offline-Online Correlation Problemi#

Daha derin sorun: offline metric ile online metric arasında düşük korelasyon.

Spotify'ın 2020 Internal Study'si#

Spotify mühendisleri 50+ deney verisini analiz etti:

Offline NDCG@10 değişimi vs Online CTR değişimi: Pearson r = 0.31 (zayıf).
Offline HR@10 vs Online retention: r = 0.18 (çok zayıf).
Offline session-level RMSE vs Online satisfaction survey: r = 0.42 (orta).

Bu bulgu dünya çapında geçerli. Bir başka çalışma (Beel et al. 2018) 60+ paper'ı analiz etti, ortalama offline-online correlation r=0.35.

Sebepler#

1. Offline'da Eksik: Position Bias Düzeltmesi

Offline metric'lerin çoğu position bias düzeltmiyor. Online'da pozisyon kritik.

2. Offline'da Eksik: Exposure Bias

Modeli aynı log üzerinde eğittin — log'un kendisi mevcut sistemin yanlısı.

3. Offline'da Eksik: User Reaction

Online'da kullanıcı şaşırabilir, sıkılabilir, abandonable. Offline metric'leri bunu yakalamaz.

4. Offline'da Eksik: Long-Term Effect

Offline metric short-term (next click). Online retention long-term (D7, D30, LTV). Aralarında causal yol var ama korelasyon zayıf.

Pratik Sonuçlar — Bu Krizden Ne Öğrendik?#

1. Strong Baseline Önce, Sonra Neural#

Yeni bir öneri sistemi kurarken sırası:

Popularity baseline (1 saat)
k-NN CF, well-tuned (1 gün)
BiasedMF / Implicit ALS, well-tuned (2-3 gün)
BPR-MF, well-tuned (1 gün)
Sonra neural denemeler

Eğer 1-4 hepsi tutulmuyorsa, neural model garantili kazanmaz. Çoğu pratisyen bu sırayı atlar — kendi başına vurur.

2. Birden Çok Dataset'te Test Et#

Eğer modelin sadece MovieLens'te iyi çalışıyorsa — şüphe et. Movielens özel: explicit rating, dense, US-merkezli. Reality:

Dataset	Domain	Density	Char
MovieLens-1M	Film	%4.5	Explicit
Amazon Beauty	E-ticaret	%0.05	Sparse, implicit
Pinterest	İçerik	%0.1	Sparse
Yelp	Lokasyon	%0.07	Geo-aware

Bir model bu çeşit dataset'lerde tutarlı iyi ise — gerçekten "iyi". Sadece birinde çalışıyor — overfitting var.

3. Doğru Protokol Belirle#

Production realism için:

Time split (stratified)
Sampled negatives ile evaluation (99 negatif + 1 pozitif)
Bidirectional negatives (popular + random karışık)
Cold-start ayrı raporlanır

4. Online Test Her Zaman Final Hakim#

Offline iyileşme → A/B test → conclude. Offline iyileşmeyi production'a almadan önce mutlaka online test.

5. Reproducibility Framework Kullan#

RecBole (recbole.io) — 70+ algorithm, 28 dataset, standard protocol.
Cornac (cornac.preferred.ai) — multimodal odaklı.
Elliot (recsys-elliot.com) — extensive protocol options.

Bu framework'leri kullanırsan baseline asimetrisi probleminden kurtulursun.

🎯 Bir mühendis olarak ne yapmalısın

Bir paper'ı okurken şüpheli ol. 'NDCG +%5 SOTA' gördüğünde sor: (1) Hangi protocol? (2) Hangi baseline'lar tune edilmiş? (3) Kaç random seed ile çalışılmış? (4) Open code var mı? (5) Birden çok dataset'te aynı sonuç mu? Bu 5 soruya 'evet' diyemiyorsan, o paper'ın iddiasını production'a almak için yetersiz. Hala iyi bir fikir olabilir — sadece kanıt yetersiz. Sen kendi A/B test'inle doğrula.

🎉 Modül 3 Tamamlandı#

5 ders bitti:

3.1: 8 doğruluk metriği matematiği + NumPy
3.2: Beyond-accuracy (coverage, diversity, novelty, serendipity)
3.3: 5 split stratejisi
3.4: A/B test, interleaving, CUPED
3.5: Dacrema krizi ve correlation problemi

Artık bir mühendis olarak sayılara doğru bakan, paper'ları sorgulayan, protokol seçen biri oldun.

Bir sonraki modülde Part II — Klasik Yöntemler'e geçiyoruz: Content-based filtering, k-NN CF, Matrix Factorization, BPR. Sıfırdan NumPy ile inşa edeceğimiz, sonra benchmark'layacağımız 7 algorithm seni bekliyor. ☕

Sık Sorulan Sorular

Hayır — sadece 'kasıtlı' tune edilmesi gerekiyor. 2020 sonrası neural recommender (LightGCN, SASRec, BERT4Rec) sıkı protokol altında klasiklerden öne geçti. Ama 'magic black box olma' süresi bitti.

Yorumlar & Soru-Cevap

(0)

Yorum yazmak için giriş yap.

Yorumlar yükleniyor...

İlgili İçerikler

Modül 0: Kurs Çerçevesi ve Atölye Kurulumu