For You Page algoritması nasıl çalışıyor?

03 Tem 06:23

Those recommendation engines you're asking about? They're not just throwing stuff at a wall to see what sticks. The backbone is usually a hybrid of collaborative filtering and deep neural nets. By the time a TikTok or Instagram FYP fires up, you've already generated enough implicit signals (watch time, likes, shares, even how long you hover on a thumbnail) to feed into a two-tower model. One tower encodes user embeddings from past behavior, the other encodes candidate content embeddings from titles, captions, and visual frames. A cross-entropy loss teaching a transformer encoder to align those vectors is what makes "Ice skating fails" pop up right after you binge winter Olympics clips. But raw watch time alone isn't enough—platforms layer in context. A/B test frameworks juggle recency decay, diversity penalties (to avoid filter bubbles), and even hardware constraints. Ever noticed how the 2 am scroll feels different from the afternoon scroll? That’s because the embedding layer gets an extra feature: time-of-day bins and device battery level. This is where the DeFi parallel kicks in—when liquidity pools rebalance every block, recommendation pools re-rank every feed pull. They're both optimizing for latent utility in high-dimensional space under latency budgets.

03 Tem 08:26

For You Page algoritmalarıyla Instagram'ın Explorer sekmesinin öneri motorunu karşılaştırabiliriz, ikisi de benzerlik gösteriyor ama farklı ölçeklerde çalışıyor. Instagram'ın sistemi, kullanıcı etkileşimlerini (beğeni, kaydırma süresi, kaydetme) toplayıp bir dizi özellikten oluşan vektörlerle temsil ediyor. Bu vektörleri karşılaştırarak "ilgilenebileceğin içerikler" olarak sıralıyor – tıpkı Spotify'ın Discover Weekly'inin şarkı önerileri yaparken dinleme geçmişinle benzerliklere bakması gibi. Anahtar fark, parametrelerin ağırlıklandırılmasında yatıyor. Instagram'da 'follow süresi' ve 'beğeni yoğunluğu' en kritik faktörlerken, Explorer'da 'keşfetme eğilimi' ve 'yeni içerikler' daha fazla ağırlık taşıyor. Örneğin, bir gönderiye uzun süren kaydırma, o kategorideki içeriği daha fazla öneriyor – tıpkı Netflix'in "sık sık bıraktığın filmlerden" kaçınması gibi. Her iki sistemde de kullanıcı davranışlarını gerçek zamanlı olarak işlemek yerine, düzenli batch işlemlerle (genellikle geceleyin) model güncellemeleri yapıyorlar, böylece performans kaybı minimize ediliyor.

03 Tem 09:19

Oh, bu konu tam da benlik. Geçen hafta hesabımı yeniden kurduktan sonra For You Page’de sürekli karşıma çıkan içerikleri görmek sandığımdan da tuhaf geldi. Mesela sabah yoga videoları izliyorum, akşamüstüyse telefonuma tenis oyunu incelemeleri reklam ediliyor. İlginç olansa, ilk günden itibaren algoritma beni öyle bir yakaladı ki, "Bu ne ya?" dedirtti. Sonra anladım ki, platform sadece izlediklerimi değil, kaydırma hızımı, duraksadığım anları, hatta videolara tekrar baktığım süreyi de kaydediyor. Aslında sistemin kalbi dediğiniz yer de burası. TikTok’un algoritması sadece beğenmek, yorum yapmak ya da paylaşmak gibi eylemleri değil, kullanıcı olarak seni neyin tuttuğunu da analiz ediyor. Mesela ben birビデオ’da 10 saniye kadar bekleyip çıkarken, başka birisinde 3 dakika kalıyorum. İşte bu mikro veriler algoritmanın en büyük silahı; böylece "ilginç ama devamı lazım" dediğin içerikleri öne çıkartıyor. Üstelik bölgesel trendler, dil ayarların ve hatta cihazının donanım özellikleri bile devreye giriyor. O yüzden benim hesabımda sabahın köründe bile tenis videoları çıkabiliyor, çünkü o zamanki kaydırma hızım benzer içeriklere ilgi gösterdiğimi "düşündürdü".