Yükleniyor...
İçeriğinizi ürettikten sonra 'paylaş' butonuna basıp organik bir mucize beklemek, 2018 model bir dağıtım yaklaşımıdır. Bugün platformların öneri motorları, içeriğinizi kelimelerinize değil, kullanıcı etkileşim sinyallerine göre sınıflandırıyor.
Sosyal ağlarda ve içerik platformlarında 'paylaş' butonuna basıp organik bir mucize beklemek, 2018 model bir dağıtım yaklaşımıdır. Bugün platformların öneri motorları (Recommendation Engines), içeriğinizi sadece seçtiğiniz anahtar kelimelere göre değil; kullanıcıların mikro davranışlarına, semantik ilişkilere ve milisaniyelik etkileşim sinyallerine göre sınıflandırıyor.
Eğer içeriğinizin hak ettiği kitleye ulaşmasını istiyorsanız, platformların makine öğrenimi (ML - Machine Learning) modellerinin içeriği nasıl 'okuduğunu' ve ilk 60 dakikadaki kullanıcı tepkilerini nasıl işlediğini anlamak zorundasınız. Bu yazıda, içeriğinizi algoritmik filtrelere uyumlu hale getirmek için kullanabileceğiniz 3 katmanlı Algoritmik Dağıtım Matrisi framework'ünü inceleyeceğiz.
Geçmişte platformlar, içeriği dağıtmak için ağırlıklı olarak İşbirlikçi Filtreleme (Collaborative Filtering) yöntemini kullanıyordu. Bu sistem basitçe, 'A kullanıcısı X ve Y içeriklerini beğendiyse, X içeriğini beğenen B kullanıcısına Y içeriğini de öner' mantığıyla çalışıyordu. Ancak bu yöntem, yeni içeriklerin sisteme dahil olmasını zorlaştırıyor (Cold Start problemi) ve yüzeysel etkileşimleri (clickbait) ödüllendiriyordu.
Bugün ise modern önerici sistemler, derin sinir ağları (Deep Neural Networks) ve Doğal Dil İşleme (NLP - Natural Language Processing) teknolojilerini kullanıyor. Örneğin, YouTube üzerinde izlenen toplam sürenin %70'i doğrudan önerilen videolar algoritması tarafından belirlenmektedir (YouTube / ACM RecSys araştırması). Bu sistemler, içeriğinizi kelime kelime analiz ederek onu çok boyutlu bir semantik vektör uzayına yerleştirir ve kullanıcıların geçmiş tüketim verileriyle eşleştirir.
İçeriğinizi algoritmaların seveceği şekilde optimize etmek için süreci üç ana katmana ayırıyoruz:
Makine öğrenimi modeli, içeriğiniz yayına girdiği ilk milisaniyede onu sınıflandırmak zorundadır. Burada en kritik araçlar semantik metadata ve ilk kancadır.
İçeriğiniz ilk test grubuna sunulduktan sonra, algoritma ilk 60 dakikalık 'altın saat' dilimindeki etkileşim hızını (velocity) ölçer.
Yüzeysel etkileşimlerin (tıklama tuzakları) önüne geçmek için platformlar artık kullanıcıların içerik üzerinde geçirdiği gerçek süreyi ölçüyor.
Her platformun önceliklendirdiği sinyal farklıdır:
Önemli Risk Uyarısı: Dwell time ve etkileşim hızına aşırı odaklanmak, kullanıcıları platformda tutmak adına yapay şekilde uzatılmış, içi boş içeriklerin (dwellbait) artmasına neden olabilir. Bu durum kısa vadede erişim getirse de, uzun vadede marka güvenilirliğini ve dönüşüm oranlarını düşürür.
Yeni bir içeriği dağıtıma hazırlarken aşağıdaki adımları sırasıyla uygulayın:
"Aşağıdaki metni analiz et ve bir arama motorunun veya öneri algoritmasının bu içeriği hangi 3 ana kategori ve 5 semantik anahtar kelimeyle eşleştireceğini listele: [İçerik Metniniz]"LinkedIn Dwell Time Skoru = Ortalama Okuma Süresi / Toplam Gösterim. Eğer bu oran düşüyorsa, giriş kancanızı veya metin içi görsel kalitenizi artırmanız gerekir.Hafta 33 · Madde İmlerinde Paralel Yapı: Okuma Ritimini Bozan Asimetrik Listeleri Düzeltmek
Asimetrik Liste Matrisi: Madde İmlerinde Paralel Yapı Kurarak Okuma Ritimini Kurtarmak
Yıllarca madde imlerini aklıma gelenleri hızlıca alt alta dizdiğim bir çöp kutusu gibi kullandım; ilk maddeye isimle, ikinciye fiille başlarken okurun işini kolaylaştırdığımı sanıyordum.