ما هو حتى نظام التوصية؟

أنت تعرف عندما تقترح Netflix عرضًا ما، وتفكر، "كيف عرفت؟" أو عندما تعرض لك أمازون منتجات مثالية بالنسبة لك بشكل غريب؟ هذا هو نظام التوصية في العمل. إنه في الأساس برنامج ينظر إلى ما فعلته أنت (وأشخاص مثلك) في الماضي، ويستخدم ذلك لتخمين ما قد تريده بعد ذلك.

الخبر الجيد؟ لا تحتاج إلى أن تكون Netflix لتبني واحدًا. إذا كنت مطورًا منفردًا تقوم بإنشاء تطبيق أو مدونة أو متجر عبر الإنترنت، فيمكنك إضافة توصيات لتشجيع المستخدمين على العودة مرة أخرى. دعونا نحلل كيفية عمل هذه الأشياء فعليًا، باللغة الإنجليزية البسيطة، مع أمثلة حقيقية يمكنك اتباعها.

النهجان الرئيسيان (مع أمثلة حقيقية)

هناك بالفعل فكرتان أساسيتان فقط وراء كل نظام توصية. بمجرد أن تفهم هذه الأمور، كل شيء آخر هو مجرد اختلافات في الموضوع.

1. التصفية التعاونية: "الأشخاص مثلك أعجبهم أيضًا..."

ينظر هذا النهج إلى ما فعله المستخدمون المماثلون. لا يهمماذاالمحتوى هو في الواقع. إنه يلاحظ فقط أنماطًا في السلوك.

مثال من العالم الحقيقي:لنفترض أنك تقوم بإنشاء تطبيق لمراجعة الكتب. المستخدم "أ" أحب الكتب رقم 1 ورقم 2 ورقم 3. أحب المستخدم "ب" الكتابين رقم 1 ورقم 2، لكنه لم يشاهد الكتاب رقم 3 بعد. تقول التصفية التعاونية: "من المحتمل أن يحب المستخدم "ب" الكتاب رقم 3 أيضًا، لأنه يتمتع بنفس ذوق المستخدم "أ".

هذه هي بالضبط الطريقة التي تعمل بها قائمة التشغيل "Discover Weekly" الخاصة بـ Spotify. فهو يعثر على المستخدمين الذين لديهم عادات استماع مماثلة لعاداتك، ثم يقترح الأغاني التي أحبوها والتي لم تسمعها بعد.

2. التصفية على أساس المحتوى: "لأنك أحببت هذا الشيء المحدد..."

ينظر هذا الأسلوب إلى الخصائص الفعلية لما تفاعل معه المستخدم، ثم يجد المزيد من الأشياء ذات السمات المماثلة.

مثال من العالم الحقيقي:أنت تقوم بإنشاء تطبيق للوصفات. يستمر المستخدم في حفظ وصفات المعكرونة النباتية التي تستغرق أقل من 30 دقيقة. قد توصي التصفية المستندة إلى المحتوى بأطباق المعكرونة النباتية السريعة الأخرى، حتى لو لم يجربها أي مستخدم آخر بعد، لأنالمكونات والصفاتتطابق ما يفضله هذا المستخدم بوضوح.

يعمل الشريط الجانبي "مقاطع الفيديو ذات الصلة" على YouTube بهذه الطريقة. فهو يبحث في العلامات والعنوان والفئة الخاصة بما تشاهده، ثم يبحث عن مقاطع فيديو ذات سمات مماثلة.

نوعان من أنظمة التوصية

👥

التصفية التعاونية
"لقد استمتع المستخدمون مثلك أيضًا..." (Spotify، Amazon)

🔍

التصفية على أساس المحتوى
"لأن هذا العنصر له سمات مماثلة..." (يوتيوب، نيتفليكس)

🧪

الهجين (الأفضل على حد سواء)
اجمع بين الاثنين للحصول على نتائج أفضل (ما تفعله معظم التطبيقات الكبيرة)

📈

على أساس الشعبية (أسهل بداية)
"الأكثر شعبية هذا الأسبوع" - لا حاجة لبيانات المستخدم

⏱️

تحديثات في الوقت الحقيقي
التكيف على الفور مع تفاعل المستخدمين مع تطبيقك

ماذا عن التضمينات؟ (الأمر أبسط مما يبدو)

ستسمع مصطلح "التضمينات" كثيرًا في البرامج التعليمية لنظام التوصيات. يبدو الأمر مخيفًا، لكن الفكرة بسيطة للغاية.

فكر في الأمر على هذا النحو: تخيل أن كل مستخدم وكل عنصر في تطبيقك يتم وضعه على خريطة عملاقة. ينتهي الأمر بالمستخدمين الذين يحبون الأشياء المتشابهة بالقرب من بعضهم البعض على الخريطة. العناصر المتشابهة تنتهي أيضًا بالقرب من بعضها البعض. "التضمين" هو مجرد إحداثيات (موقع) المستخدم أو العنصر على تلك الخريطة.

مثال من العالم الحقيقي:في تطبيق الموسيقى، سيتم وضع المستخدم الذي يستمع إلى موسيقى الجاز والبلوز والسول بالقرب من هذه الأنواع على الخريطة. سيكون المستخدم الذي يستمع إلى موسيقى الميتال والبانك في منطقة مختلفة تمامًا. عندما يصدر ألبوم جاز جديد، يتحقق النظام من المستخدمين "القريبين" من موسيقى الجاز على الخريطة ويوصيهم به.

لماذا يعد هذا مهمًا إذا كنت تنشئ تطبيقًا بمفردك

إذا كنت مطورًا منفردًا، فإن إضافة نظام توصية بسيط يمكن أن يغير قواعد اللعبة للحفاظ على تفاعل المستخدمين. إليكم السبب:

يبقى المستخدمون لفترة أطول.عندما يرى الأشخاص محتوى يبدو أنه تم اختياره شخصيًا لهم، فإنهم يقضون وقتًا أطول في تطبيقك. فكر في كيفية الاستمرار في تمرير TikTok لأنه يستمر في إظهار ما يهمك بالضبط.
يكتشف المستخدمون المزيد من المحتوى الخاص بك.إذا كانت لديك مدونة تحتوي على 200 مشاركة، فإن معظم الزوار لن يشاهدوا إلا القليل منها فقط. يمكن لقسم "قد يعجبك أيضًا" أن يعرض المشاركات القديمة التي لا تزال ذات صلة بكل قارئ.
يعود المستخدمون في كثير من الأحيان.ملخصات البريد الإلكتروني المخصصة ("إليك كل ما هو جديد بناءً على اهتماماتك") تمنح الأشخاص سببًا للعودة. هذه هي الطريقة التي يبقيك بها Medium تنقر على المقالات.

كيفية بناء واحدة بالفعل (خطوة بخطوة)

إليك خريطة طريق عملية لن تربكك:

ابدأ بتتبع ما يفعله المستخدمون.قبل أن تتمكن من التوصية بأي شيء، تحتاج إلى البيانات. تتبع النقرات، والإعجابات، والحفظ، والوقت الذي تقضيه في الصفحات، والمشتريات، وكل ما هو منطقي لتطبيقك. حتى جدول قاعدة بيانات بسيط مثلمعرف_المستخدم | item_id | عمل | الطابع الزمنييكفي للبدء.
ابدأ بأبسط نهج.لا تقفز مباشرة إلى التعلم الآلي. ابدأ بـ "العناصر الأكثر شيوعًا" أو "المستخدمون الذين اشتروا X اشتروا أيضًا Y." بالنسبة لتطبيق صغير، يمكن لعدد قليل من استعلامات SQL تقديم توصيات جيدة بشكل مدهش.
تخرج إلى المكتبة عندما تكون مستعدًا.بايثونمكتبة المفاجأةيجعل التصفية التعاونية بسيطة. يمكنك الحصول على نموذج توصية عملي في حوالي 20 سطرًا من التعليمات البرمجية.توصيات TensorFlowعظيم إذا كنت تريد أن تذهب أعمق.
يبقيه طازجا.التوصيات تصبح قديمة بسرعة. قم بإعداد مهمة أسبوعية لإعادة تدريب النموذج الخاص بك باستخدام البيانات الجديدة. قد يكون ذوق المستخدم في شهر يناير مختلفًا تمامًا بحلول شهر مارس.

إذا كنت لا ترغب في إنشائه بنفسك، فيمكن للخدمات المُدارة التعامل مع الأحمال الثقيلة.تخصيص AWSيتيح لك تغذية بياناتك والحصول على توصيات مرة أخرى من خلال واجهة برمجة التطبيقات.توصيات جوجل AIيفعل نفس الشيء. كلاهما لهما مستويات مجانية سخية بما يكفي للتطبيقات الصغيرة.

بناء نظام التوصية الأول الخاص بك

تتبع إجراءات المستخدم

تسجيل النقرات والإعجابات والمشتريات والوقت المستغرق

ابدأ بالبساطة

"الأكثر شيوعًا" أو "تم شراؤها أيضًا" باستخدام استعلامات SQL الأساسية

أضف مكتبة

استخدم موصيي Python Surprise أو TensorFlow

إعادة تدريب أسبوعيا

حافظ على التوصيات متجددة مع تغير أذواق المستخدم

قياس ما ينجح

تتبع معدلات النقر على توصياتك

الوجبات السريعة الرئيسية

لست بحاجة إلى أن تكون عالم بيانات.يمكن للاستعلام البسيط "الأشخاص الذين أحبوا X أيضًا أن يحبوا Y" أن يعمل العجائب لتطبيق صغير.
ابدأ بما لديك.حتى بيانات النقرات الأساسية تكفي لتقديم توصيات مفيدة.
هناك أدوات مجانية تقوم بالرفع الثقيل.تتمتع المكتبات مثل Surprise والخدمات المُدارة مثل AWS Personalize بمستويات مجانية مثالية للمطورين المنفردين.
يبقيه طازجا.أعد تدريب النموذج الخاص بك بانتظام. التوصيات التي لا معنى لها أسوأ من عدم وجود توصيات.
قياس التأثير.تتبع ما إذا كان المستخدمون ينقرون بالفعل على توصياتك. إذا لم يفعلوا ذلك، قم بتعديل نهجك.

خاتمة

أنظمة التوصية ليست مخصصة فقط لعمالقة التكنولوجيا الذين لديهم فرق هندسية ضخمة. باعتبارك مطورًا منفردًا، يمكنك البدء بشيء بسيط مثل "الأكثر شيوعًا هذا الأسبوع" والعمل تدريجيًا للوصول إلى الاقتراحات المخصصة المدعومة ببيانات المستخدم الحقيقية. الأدوات مجانية، والمكتبات مناسبة للمبتدئين، ويمكن أن يكون التأثير على تفاعل المستخدم هائلاً.

المفتاح هو أن نبدأ للتو. تتبع سلوك المستخدم، وجرب أسلوبًا بسيطًا، ثم كرر الأمر من هناك. سوف يلاحظ المستخدمون الفرق.

لمزيد من القراءة، تحقق مندليل أنظمة توصيات جوجل, تخصيص AWS، ووثائق المكتبة مفاجأة.