Tavsiye Motorları Nerede Çalışır? Netflix, YouTube, Spotify, Amazon, TikTok, Trendyol Mimari Turu

Ortak İskelet: Retrieval-Ranking Pipeline'ı#

[Tüm Item Kataloğu]
    ↓
[CANDIDATE GENERATION / RETRIEVAL]   ← Milyonlarca → Yüzlere
    ↓
[FILTERING]                           ← Business rules, blacklist, vb.
    ↓
[RANKING]                             ← Yüzlerce → On'larca
    ↓
[RE-RANKING / DIVERSIFICATION]        ← Çeşitlilik, business boost
    ↓
[USER'A SUNULAN ÖNERİLER]

1) Netflix — "Algoritmik İzleme"#

• Gomez-Uribe & Hunt, "The Netflix Recommender System", ACM TMIS 2016
• Steck et al., "Deep Learning for Recommender Systems", RecSys 2021
• Netflix Tech Blog (her ay yeni post)

Netflix'in 9 Satır Algoritması#

Netflix Mimarisi (Yüksek Seviye)#

Kullanıcı izleme geçmişi (offline'da güncellenir, ~saatlik)
    ↓
Embedding Service
(her user için, her item için 256-1024d vektör)
    ↓
Candidate Generation
- Two-Tower neural retrieval
- Heuristic candidates (yeni içerik, lokasyon)
- Historical candidates (geçmiş izlemeden)
- Total: ~1000-3000 aday
    ↓
Ranking
- Deep ranking model (DCN-tarzı)
- ~50 feature: user demo + history + item meta + context
    ↓
Row-specific re-ranking
- Her satır için ayrı objective (Trending vs Top Picks vs ...)
    ↓
Diversification
- DPP (Determinantal Point Process) ile çeşitlilik
    ↓
Anasayfa render

İlginç Detaylar#

• Artwork personalization — aynı film için her kullanıcıya farklı poster gösterilir. 2017'de bu özelliği eklediklerinde tıklama oranı %30+ arttı. (Modül 4'te content-based bağlamında geri döneriz.)
• Kontekst: Aynı kullanıcı mobil saat 22:00'da ile TV'de hafta sonu öğleden sonra farklı önerileri görür. Context feature'ları (cihaz, saat, gün) ranking model'in girdisidir.
• Cold-start çözümü: Yeni üye aboneliği başladığında 5 dakika içinde gösterilen "Movies you might like" — 5 film seçim ekranındaki seçimlerle kuruluyor (semi-cold start).

2) YouTube — "Tüm İnternetin İzleme Süresi"#

YouTube 2-Aşamalı Mimarisi (2016 Paper'ı)#

[Milyonlarca video] (~10⁹)
    ↓
[CANDIDATE GENERATION NETWORK] — Deep neural network
- User: watch history embeddings + search history + demographics
- Output: O(10²-10³) candidate
- Approximate Nearest Neighbor ile retrieval (Annoy ya da custom)
    ↓
[RANKING NETWORK] — Daha derin neural
- Daha zengin feature set (~100 feature)
- Hedef: weighted logistic regression for expected watch time
    ↓
[10-50 video → autoplay, home, up next]

Çağdaş YouTube (2020-2026)#

• Multi-task learning — sadece "izlenme" değil "like + share + comment + completion" hepsi birden optimize ediliyor (Modül 15'te MMoE/PLE).
• Reinforcement learning — "Top-K Off-Policy Correction for a REINFORCE Recommender System" (Chen et al., WSDM 2019). YouTube'un long-term reward optimization'ı.
• Two-Tower retrieval — 2016 paper'ındaki "candidate generation network" formal olarak two-tower'a evrildi (Yi et al., RecSys 2019).
• Real-time signals — son 10 dakikadaki davranış anında modele yansıyor.

YouTube Mimarisinin İlginç Yanı#

• Watch-time prediction (sadece click değil!) — bu paper sonrası endüstride standart oldu.
• Negative sampling stratejisi: "impressed but not clicked" (gösterildi ama tıklanmadı) negatif. Random negatif değil — bu çok önemli (Modül 6 ve 7'de geri döneceğiz).
• Cold-start çözümü: Search query embedding'i + age feature. Yeni kullanıcı için search history'si yoksa, demografi + cihaz + region kullanılıyor.

3) Spotify — Discover Weekly ve BaRT#

Discover Weekly'nin Üç Sinyali#

1. Collaborative Filtering — diğer benzer kullanıcıların dinlediği
2. Natural Language Processing — şarkı, sanatçı hakkındaki internet metni (blogpost, review)
3. Audio Analysis — ses dosyasının kendisi (tempo, key, energy, danceability)

BaRT (Bandits for Recommendations as Treatments)#

Anasayfa "shelf" (raf): 12 satır
Her shelf için: hangisi gösterilecek + içeriği kim olacak?
    ↓
Multi-armed bandit (her shelf bir "arm")
- Exploration vs exploitation
- Reward: stream/skip
    ↓
Cold-start için Thompson sampling

Spotify'ın İlginç Mimari Kararı#

• Çok az dinlenmiş yeni şarkıların bile audio benzerlikle önerilebiliyor olması.
• Audio cold-start problemi büyük ölçüde çözüldü.

Bu kursun Modül 17 (LLM-rec) ve Modül 19 (Multimodal) derslerinde benzer mantığı text/image embeddings için göreceksin.

4) Amazon — Item-CF'in Endüstri Ölçeği#

Amazon Recommendation Tipleri#

Item-Item CF'in Amazon Ölçeğinde Hilesi#

1. Offline batch precomputation — her item için top-K similar item'ları offline'da hesapla, Redis'e koy. Online'da O(1) lookup.
2. Sparse matrix optimization — sadece "co-purchased" item çiftlerini hesapla (sıfır cell'leri atla).
3. Locality-Sensitive Hashing — yaklaşık (ε approximation) benzerlik araması.

A9 — Amazon Arama Algoritması#

5) TikTok — "For You Page" ve Monolith#

TikTok Monolith (2022 — Bytedance'in Açık Paper'ı)#

• Embedding table boyutu: ~10TB (sadece feature embeddings için!)
• Realtime learning — modelin embedding'leri saniyeler içinde güncelleniyor. Geleneksel batch retraining'in (saatlik veya günlük) tersine.
• Collisionless embedding — hash trick yerine custom data structure (geleneksel hash collision'ın model kalitesine zarar verdiğini gösterdiler).
• Continuous training — online + offline hybrid eğitim.

TikTok'un Mimari Sırrı: Hızlı Sinyal#

TikTok ve Cold-Start#

1. Content embedding — video'nun kendisinden (görüntü + ses + caption text) embedding üret.
2. Small-scale exploration — yeni video, 100-1000 kullanıcıya rastgele sunulur, hızlı reaction toplanır.
3. Bandits / exploration boost — pozitif sinyal alırsa daha geniş yayılım.

6) Trendyol — Türkiye'de Endüstri Ölçeği#

Trendyol Mimarisi (Blog Yazılarından — 2022-2024)#

Anasayfa:
- "Senin İçin" satırı → kişiselleştirilmiş ranking
- "Senin İçin Seçtiklerimiz" → uzun-vadeli ilgi
- "Sıcak Fırsatlar" → recency + popularity hybrid
- Kategoriye göre kişiselleştirilmiş feed

Yayınlanmış Teknik Yaklaşım#

• Two-Tower retrieval — user tower + item tower, FAISS index
• Multi-objective ranking — CTR + conversion + revenue (multi-task DNN)
• Real-time features — son 30 dakikadaki davranış için Kafka + Redis stream
• Cold-start için image embeddings — yeni ürün için CLIP-tarzı image-text embedding

Trendyol-Özgün Zorluklar#

• Mevsimsellik agresif — Ramazan, bayram, mevsim geçişleri davranışı dramatik değiştirir.
• Hızlı moda etkileri — bir TikTok trendi 24 saatte ürünü patlatabilir; recommender bu hızı yakalamalı.
• Bayilik çeşitliliği — aynı ürün 10 satıcıdan, fiyat-stok farklı. Recommender değil sadece "ürün" satıcı + fiyat sıralamasını da çözüyor.
• Türkçe NLP — search query'leri içinde Türkçe çeşitleme problemi (Modül 4'te content-based bağlamında konuşacağız).

Karşılaştırma Tablosu: 6 Şirketin Mimari Tercihleri#

Senin Recommender'ın Hangi Mimaride Olmalı?#

Senaryo 1: Küçük Ölçek (<100K user, <10K item)#

• Önerim: Item-Item CF (sıfırdan, Modül 5) + content-based hybrid (Modül 4). Eğitim 1 dakika, latency milisaniye.
• Gereksiz: Two-tower, GNN, deep ranking. Karmaşıklık değer üretmiyor.

Senaryo 2: Orta Ölçek (1M user, 100K item)#

• Önerim: Matrix Factorization (BiasedMF, ALS — Modül 6) + LightGBM ranking (Modül 14) + Redis cache.
• Gereksiz: Trillion-parameter modeller, real-time embedding updates.

Senaryo 3: Büyük Ölçek (10M+ user, 1M+ item)#

• Önerim: Two-Tower retrieval (Modül 12) + FAISS index + Deep ranking (Modül 14) + business re-ranking (Modül 16).
• Sequential katmanı ekle (Modül 10) — SASRec genelde +5-10% NDCG verir.

Senaryo 4: Süper Büyük (TikTok/YouTube ölçeği)#

• Önerim: Multi-channel retrieval (sequential + collaborative + content) → MMoE ranking → RL ile long-term optim.
• Bu seviyede bu kurs temelini verir, üstüne 2-3 yıl iş tecrübesi gerek.

Sıradakİ Ders#