X’in Açık Kaynak Tavsiye Algoritmasının İç Yüzü: Hangi İçerik Gerçekten Dikkat Kazanıyor?

X (eski adıyla Twitter), en güncel tavsiye algoritmasının kaynak kodunu açık kaynak olarak yayımladı. Bu adım, platformun içerik sıralama mantığını ve etkileşim ağırlıklandırma mekanizmalarını ilk kez bu kadar kapsamlı biçimde görünür kılıyor. Bu makale; beğenilerin zamanla nasıl değer kaybettiğini, konuşmaların (reply zincirleri) nasıl fiyatlandığını ve negatif geri bildirimlerin kod seviyesinde nasıl cezalandırıldığını teknik olarak ele alıyor. Ayrıca içerik üreticileri için pratik trafik ve erişim optimizasyonu stratejileri sunuyor.

20 Ocak öğleden sonra, X en güncel tavsiye algoritmasını açık kaynak hâline getirdi.

Elon Musk konuyla ilgili şu yorumu yaptı: “Bu algoritmanın hâlâ aptalca olduğunu ve ciddi iyileştirmelere ihtiyaç duyduğunu biliyoruz. Ama en azından onu gerçek zamanlı olarak nasıl geliştirdiğimizi görebiliyorsunuz. Diğer sosyal platformlar bunu yapmaya cesaret edemez.”

Bu açıklama iki temel noktaya işaret ediyor. Birincisi, Musk algoritmanın eksiklerini açıkça kabul ediyor. İkincisi ise şeffaflığı, X’in temel satış argümanlarından biri olarak konumlandırıyor.

Bu, X’in algoritmasını açık kaynak yaptığı ikinci sefer. 2023’te yayımlanan sürüm üç yıl boyunca güncellenmemişti ve üretim ortamından büyük ölçüde kopuktu. Bu kez ise kod tabanı tamamen yeniden yazıldı. Çekirdek model, geleneksel makine öğrenmesinden Grok transformer mimarisine taşındı. Resmî açıklamaya göre: “Manuel özellik mühendisliği tamamen ortadan kaldırıldı.”

Basitçe ifade etmek gerekirse: Önceki algoritma, mühendislerin parametreleri elle ayarlamasına dayanıyordu. Yeni sistemde ise yapay zekâ, kullanıcı etkileşim geçmişinizi doğrudan analiz ederek içeriğinizin öne çıkarılıp çıkarılmayacağına karar veriyor.
İçerik üreticileri açısından bu, “en iyi paylaşım saati” veya “hangi etiket takipçi kazandırır” gibi taktiklerin artık büyük ölçüde geçerliliğini yitirdiği anlamına geliyor.

Açık kaynak GitHub deposunu da inceledik ve AI yardımıyla kod içinde dikkat çekici bazı hard-coded (sabitlenmiş) mantıklar tespit ettik.

Algoritma Mantığında Değişim: Manuel Kurallardan AI Tabanlı Yargıya

Devamındaki analizde kafa karışıklığı olmaması için önce eski ve yeni sürüm arasındaki farkları netleştirelim.

2023’te Twitter’ın açık kaynak algoritması Heavy Ranker olarak adlandırılıyordu. Bu yapı, temelde klasik makine öğrenmesine dayanıyordu. Mühendisler yüzlerce özelliği manuel olarak tanımlıyordu: Gönderide görsel var mı, yazarın takipçi sayısı kaç, paylaşımın üzerinden ne kadar zaman geçti, link içeriyor mu vb.

Her bir özelliğe bir ağırlık atanıyor ve en etkili kombinasyonu bulmak için bu ağırlıklar sürekli ayarlanıyordu.Yeni açık kaynak sürümün adı ise Phoenix. Mimari tamamen farklı. Bunu, büyük dil modellerine çok daha fazla yaslanan bir algoritma olarak düşünebilirsiniz. Çekirdekte, ChatGPT ve Claude’un arkasındaki teknolojiyle aynı sınıfta yer alan Grok transformer bulunuyor.

Resmî README dosyasında açıkça şu ifade yer alıyor: “Elle tasarlanmış tüm özellikler tamamen ortadan kaldırıldı.”

Yani manuel olarak çıkarılan içerik özelliklerine dayalı eski kural tabanlı sistem artık yok.
Peki algoritma artık “iyi içeriği” nasıl belirliyor? Cevap: Davranışsal sekanslarınız.

Neleri beğendiniz, kime cevap verdiniz, hangi gönderide iki dakikadan fazla vakit geçirdiniz, hangi hesapları engellediniz… Phoenix tüm bu davranışları transformera besliyor ve model bu verilerden örüntüler öğreniyor.

Bir benzetmeyle: Eski algoritma, kutucuklar işaretlenerek puan verilen bir kontrol listesi gibiydi. Yeni algoritma ise tüm gezinme geçmişinize erişimi olan bir AI’ın, bir sonraki neyi görmek isteyeceğinizi tahmin etmesi gibi çalışıyor.

İçerik üreticileri için bunun iki sonucu var: Birincisi, “en iyi saat”, “altın etiketler” gibi taktiklerin değeri ciddi şekilde düştü. Model artık sabit özelliklere değil, her kullanıcının bireysel tercihlerine bakıyor. İkincisi, içeriğinizin öne çıkması, “kullanıcıların içeriğinize nasıl tepki verdiğine” çok daha fazla bağlı. Bu tepkiler, birazdan detaylandıracağımız 15 farklı davranışsal tahmine dönüştürülüyor.

Algoritmanın Tahmin Ettiği 15 Kullanıcı Davranışı

Phoenix bir gönderiyi değerlendirdiğinde, kullanıcının 15 farklı eylemi gerçekleştirme olasılığını tahmin ediyor.

Pozitif aksiyonlar: Beğeni, cevap, repost, alıntı repost, gönderiye tıklama, yazar profiline tıklama, videonun yarısından fazlasını izleme, görseli büyütme, paylaşma, belirli süre ekranda kalma, yazarı takip etme

Negatif aksiyonlar: “İlgilenmiyorum” seçeneği, yazarı engelleme, yazarı susturma, şikâyet etme.

Her aksiyon için bir olasılık hesaplanıyor. Örneğin model, bir gönderiyi beğenme ihtimalinizi %60, yazarı engelleme ihtimalinizi %5 olarak tahmin edebilir. Ardından her olasılık, ilgili aksiyonun ağırlığıyla çarpılıyor ve sonuçlar toplanıyor.

Formül şu şekilde:
Final Skor = Σ ( Ağırlık × P(aksiyon) )

Pozitif aksiyonların ağırlıkları pozitif, negatif aksiyonların ağırlıkları negatif.
Toplam skoru yüksek olan gönderiler üst sıralara taşınıyor; düşük skorlular geri plana itiliyor.

Pratikte bu şu anlama geliyor: Bir içeriğin “iyi” olup olmadığı, artık yalnızca içsel kalitesine göre belirlenmiyor. Asıl belirleyici olan, içeriğin kullanıcıda tetiklediği davranışlar. Algoritma metnin kendisiyle değil, kullanıcı davranışıyla ilgileniyor.

Bu nedenle, uç örneklerde; düşük kaliteli ama çok cevap alan bir gönderi, yüksek kaliteli ama etkileşim almayan bir gönderiden daha iyi performans gösterebilir.
Yeni sürümde aksiyon ağırlıkları açıklanmıyor; ancak 2023 sürümünde bu veriler paylaşılmıştı.

Eski Sürüm Referansı: 1 Şikâyet = 738 Beğeni

2023 verilerine bakalım. Güncel olmasa da, algoritmanın aksiyonlara nasıl değer biçtiğini anlamak için önemli.

5 Nisan 2023’te X, GitHub’da ağırlık tablosunu yayımlamıştı.

Basitçe özetlersek:

• Beğeniler neredeyse değersiz. Ağırlık: 0,5

• Karşılıklı konuşma çok değerli. “Yorum yapıp karşılık almak” +75

• Negatif geri bildirim ağır cezalı.

• 1 engelleme: -74 (dengelemek için 148 beğeni gerekir)

• 1 şikâyet: -369 (dengelemek için 738 beğeni gerekir)

Video izlenme oranı neredeyse önemsiz: 0,005

Ayrıca dokümanda şu not düşülüyor: “Bu dosyadaki ağırlıklar her an değiştirilebilir… O tarihten bu yana platform metriklerini optimize etmek için periyodik olarak ayarlamalar yapılmıştır.”

Yeni sürüm sayıları açıklamıyor ama mantık aynı: Pozitif aksiyonlar puan ekler, negatifler düşer, sonuç ağırlıklı toplamdır. Rakamlar değişebilir; fakat öncelik sırası büyük ihtimalle aynı. Birine cevap vermek, 100 beğeniden daha değerlidir. Engellenmek, hiç etkileşim almamaktan bile kötüdür.

İçerik Üreticileri Bu Bilgiyle Ne Yapmalı?

Yeni ve eski kodu birlikte incelediğimizde, öne çıkan pratik çıkarımlar şunlar:

1) Yorumlara mutlaka cevap verin. “Yazarın yoruma cevap vermesi” en yüksek skorlu aksiyon. Basit bir “teşekkürler” bile algoritma tarafından sayılıyor.

2) Kullanıcıyı sizi engellemeye itecek içerikten kaçının. 1 engelleme = 148 beğeni. Tartışmalı içerik etkileşim getirebilir ama uzun vadede hesap itibarını zedeler.

3) Harici linkleri yoruma koyun. X, kullanıcıyı platformdan çıkarmayı sevmez. Linki ana metne koymak cezalandırılır; Musk bunu açıkça doğruladı.

4) Spam yapmayın. Kodda yer alan Author Diversity Scorer, aynı yazarın arka arkaya çok sayıda paylaşım yapmasını cezalandırıyor.

5) “En iyi paylaşım saati” artık yok. Phoenix, paylaşım zamanını dikkate almıyor; yalnızca kullanıcı davranışına bakıyor. Bunlar koddan net şekilde çıkarılabilen noktalar. Ayrıca açık kaynakta yer almayan ama X dokümanlarında belirtilen bazı kurallar da var: Mavi tik erişimi artırır, tamamen büyük harfli gönderiler cezalandırılır, hassas içerikler erişimin %80’ini kaybeder. Bunlar bu kod sürümünde yer almadığı için detaylandırılmadı.

Sonuç: Şeffaf Ama Tam Değil

Bu açık kaynak yayını oldukça kapsamlı. Sistem mimarisi, aday içerik çağırma mantığı, skorlamadan sıralamaya kadar tüm süreç detaylı biçimde paylaşılmış. Kod ağırlıklı olarak Rust ve Python ile yazılmış ve README birçok ticari projeden daha açıklayıcı. Ancak üç önemli eksik var:

• Ağırlık değerleri açıklanmıyor.

• Model parametreleri (Grok) paylaşılmıyor.

• Eğitim verisi ve örnekleme süreci bilinmiyor.

Yani sistem “nasıl hesaplıyoruz”u gösteriyor ama “kaç puan verdiğimizi” ve “neden böyle öğrendiğimizi” açıklamıyor.

TikTok ve Instagram’ın hiçbir şey paylaşmadığı düşünüldüğünde, X bu konuda gerçekten bir adım önde. Tam şeffaflık olmasa da, içerik üreticileri ve araştırmacılar için hiçbir şey olmamasından çok daha iyi.

Ve bugün, algoritmalar çağında bu fark küçümsenemez.

Bu makale, TechFlow kaynağından alıntılanmıştır. Telif haklarına ilişkin sorularınız için bizimle iletişime geçebilirsiniz.