Skip to main content

> ML_RECIPE // REALTIME-ECOMMERCE-SESSION-RECOMMENDATIONS_v1.0

Gerçek Zamanlı E-Ticaret Oturum ve Sıradaki Ürün Önerisi

Kullanıcı gizlilik sınırlarını koruyarak oturum içi tıklama dizilerine dayalı olarak 15 ms altında kişiselleştirilmiş ürün önerileri sunmak ve sepet hacmini artırmak.

recommender systemsretail cpgApache-2.0low-cloud
Tüm Tariflere Dön

İş Hedefi ve Beklenen Çıktı

Kullanıcı gizlilik sınırlarını koruyarak oturum içi tıklama dizilerine dayalı olarak 15 ms altında kişiselleştirilmiş ürün önerileri sunmak ve sepet hacmini artırmak.

Kabul Kriteri (Acceptance Criteria):

Personalized recommendations must show statistically significant lift in CTR (+15%) over category bestsellers in A/B test.

Sezgisel Temel (Heuristic Baseline)

Kategori çok satanları: Görüntülenen kategoride son 7 günde en çok satın alınan ilk 10 ürünü listeleme.

Temel Model Performansı:

Category bestsellers achieved HitRate@10 of 0.14 with poor coverage of long-tail catalog inventory.

Aşama 1: Prototip Geliştirme Yolu

Kullanıcıların 90 günlük tıklama/satın alma etkileşimleri üzerinde Alternating Least Squares (ALS) modeli eğitin. HitRate@10 ve MAP@10 ile değerlendirin.

Donanım: Standard development machine (8GB RAM)

Aşama 2: Üretim Dağıtım Yolu

Ürün embedding faktörlerini vektör önbelleğine aktarın. API ağ geçidinde Redis oturum geçmişiyle en yakın komşu vektör aramasını yapın.

Donanım: General-purpose CPU server with fast memory (e.g. 8 cores, 32GB RAM for vector index)

Hesaplama ve Dağıtım Mimarisi (Placement Topologies)

Eğitim Dağıtımı (Training Placement)

Çok çekirdekli CPU veya tekli GPU server üzerinde gecelik batch training job

Çıkarım Dağıtımı (Inference Placement)

API server CPU'su üzerinde çalışan in-memory vektör arama microservice'i (Redis cache)

3 Kademeli Dağıtım Seçenekleri (Placement Alternatives)

Plan A: En Basit Yaşayabilir (Simplest)

PostgreSQL JSONB sütununda saklanan gecelik önceden hesaplanmış ürün-ürün ilk 20 önerisi.

Plan B: Donanıma Uygun (Hardware-Fitted)

Standart 8 çekirdekli CPU sunucusunda Python FastAPI servisine yüklenmiş bellek içi en yakın komşu indeksi.

Plan C: Üretime Hazır (Production-Ready)

GPU/CPU kümesinde gecelik ALS eğitimi + akış halinde gerçek zamanlı tıklama vektör güncellemeleri + Redis önbellekli bellek içi indeks (< 10ms P99 gecikme).

Önerilen Kütüphaneler & Araçlar

★ BİRİNCİL KÜTÜPHANEimplicitBen Frederickson
İncele
LightGBMMicrosoft
İncele
TensorFlow Recommenders (TFRS)Google / TensorFlow Team
İncele
RecBoleRUCAIBox / Renmin University of China
İncele

Yönetişim, Güvenceler ve Riskler

Yönetişim Kuralları:
  • Gizlilik ve davranışsal profil çıkarma sınırı: KVKK ve GDPR rıza kurallarına uyun. Çerez takibi olmadan anonim oturum içi anlık bağlamsal öneri modunu destekleyin.
  • Çeşitlilik ve stok kısıtları: Benzer varyantların ardışık önerilmesini engelleyen çeşitlilik filtreleri uygulayın ve stokta olmayan ürünleri derhal listeden çıkarın.
  • Yaş kısıtlaması güvencesi: Yaş sınırlamalı veya kısıtlı ürünleri genel öneri akışlarından kesin olarak engelleyin.