Öneri Sistemi

import scipy.sparse as sp
from implicit.als import AlternatingLeastSquares

# Sparse matris: kullanıcı × ürün, hücreler = etkileşim sayısı
# Çok yüksek boyutlu, çoğu hücre boş — sparse formatı şart
user_item = sp.csr_matrix(...)

model = AlternatingLeastSquares(
    factors=64,
    regularization=0.01,
    iterations=20,
    use_gpu=False,
)
model.fit(user_item)

# Kullanıcı 42 için en alakalı 10 ürün
recs = model.recommend(42, user_item[42], N=10)
for item_id, score in recs:
    print(f"item {item_id}: {score:.3f}")

# Benzer ürünleri de sorgulayabilirsin (item-item)
similar = model.similar_items(item_id=123, N=5)

import torch
import torch.nn as nn

class TwoTower(nn.Module):
    def __init__(self, n_users, n_items, dim=64):
        super().__init__()
        self.user_emb = nn.Embedding(n_users, dim)
        self.item_emb = nn.Embedding(n_items, dim)
        self.user_mlp = nn.Sequential(nn.Linear(dim, dim), nn.ReLU(), nn.Linear(dim, dim))
        self.item_mlp = nn.Sequential(nn.Linear(dim, dim), nn.ReLU(), nn.Linear(dim, dim))

    def forward(self, user_ids, item_ids):
        u = self.user_mlp(self.user_emb(user_ids))
        i = self.item_mlp(self.item_emb(item_ids))
        # Skor = cosine benzerlik (veya iç çarpım)
        return (u * i).sum(dim=-1)

# Eğitim sonrası ürün vektörleri ANN dizinine indekslenir,
# kullanıcı sorgusu canlıda milisaniyede en yakın N öğeye eşlenir.