Какво дори е система за препоръки?

Знаете, когато Netflix предлага шоу и си мислите: „Как разбра?“ Или когато Amazon ви покаже продукти, които са странно идеални за вас? Това е система за препоръки на работа. По същество това е софтуер, който разглежда какво сте правили вие (и хора като вас) в миналото и го използва, за да познае какво вероятно ще искате по-нататък.

Добрата новина? Не е нужно да сте Netflix, за да създадете такъв. Ако сте самостоятелен разработчик, създаващ приложение, блог или онлайн магазин, можете да добавите препоръки, за да накарате потребителите да се връщат. Нека разбием как тези неща всъщност работят, на обикновен английски език, с реални примери, които можете да следвате.

Двата основни подхода (с реални примери)

Наистина има само две основни идеи зад всяка система за препоръки. След като ги разберете, всичко останало са само вариации на темата.

1. Съвместно филтриране: „Хора като вас също харесаха...“

Този подход разглежда какво са направили подобни потребители. Не го интересувакаквосъдържанието всъщност е. То просто забелязва модели в поведението.

Пример от реалния свят:Да кажем, че създавате приложение за ревю на книги. Потребител A обичаше книги #1, #2 и #3. Потребител Б хареса книги №1 и №2, но все още не е видял книга №3. Съвместното филтриране казва: „Потребител Б вероятно също ще хареса книга №3, защото има същия вкус като потребител А.“

Точно така работи плейлистът „Discover Weekly“ на Spotify. Той намира потребители със сходни навици на слушане като вашите, след което препоръчва песни, които са харесали и които все още не сте чували.

2. Филтриране въз основа на съдържанието: „Защото сте харесали това конкретно нещо...“

Този подход разглежда действителните характеристики на това, с което потребителят е взаимодействал, след което намира повече неща с подобни характеристики.

Пример от реалния свят:Създавате приложение за рецепти. Потребител запазва рецепти за вегетарианска паста, които отнемат под 30 минути. Филтрирането въз основа на съдържание би препоръчало други бързи вегетариански ястия с паста, дори ако никой друг потребител все още не ги е опитвал, защотосъставки и атрибутиотговарят на това, което този потребител явно предпочита.

Страничната лента „Свързани видеоклипове“ на YouTube работи по този начин. Той преглежда етикетите, заглавието и категорията на това, което гледате, след което намира видеоклипове с подобни атрибути.

Два вида системи за препоръки

👥

Съвместно филтриране
„Потребители като вас също харесаха...“ (Spotify, Amazon)

🔍

Филтриране по съдържание
„Тъй като този артикул има подобни характеристики...“ (YouTube, Netflix)

🧪

Хибрид (най-доброто от двете)
Комбинирайте и двете за по-добри резултати (какво правят повечето големи приложения)

📈

Базиран на популярност (най-лесният старт)
„Най-популярно тази седмица“ – не са необходими потребителски данни

⏱️

Актуализации в реално време
Адаптирайте незабавно, докато потребителите взаимодействат с вашето приложение

Какво ще кажете за вгражданията? (По-лесно е отколкото звучи)

Ще чуете термина „вграждане“ често в уроци за система за препоръки. Звучи плашещо, но идеята е много проста.

Помислете за това по следния начин: представете си, че всеки потребител и всеки елемент в приложението ви се поставят на гигантска карта. Потребителите, които харесват подобни неща, се оказват близо един до друг на картата. Елементите, които са подобни, също се оказват близо един до друг. „Вграждане“ е само координатите (местоположението) на потребител или елемент на тази карта.

Пример от реалния свят:В музикално приложение потребител, който слуша джаз, блус и соул, ще бъде поставен близо до тези жанрове на картата. Потребител, който слуша метъл и пънк, би бил в съвсем различна област. Когато излезе нов джаз албум, системата проверява кои потребители са "близо" до джаза на картата и им го препоръчва.

Защо това има значение, ако изграждате приложение сами

Ако сте самостоятелен разработчик, добавянето дори на проста система за препоръки може да промени правилата на играта за поддържане на ангажираността на потребителите. Ето защо:

Потребителите остават по-дълго.Когато хората видят съдържание, което се чувстват лично избрано за тях, те прекарват повече време в приложението ви. Помислете как продължавате да превъртате TikTok, защото той непрекъснато ви показва какво точно ви интересува.
Потребителите откриват повече от вашето съдържание.Ако имате блог с 200 публикации, повечето посетители ще видят само последните няколко. Секция „Може също да ви хареса“ може да показва по-стари публикации, които все още са подходящи за всеки читател.
Потребителите се връщат по-често.Персонализирани обобщени имейли („Ето какво е новото въз основа на вашите интереси“) дават на хората причина да се върнат. Ето как Medium ви кара да кликвате върху статии.

Как всъщност да изградите такъв (стъпка по стъпка)

Ето една практична пътна карта, която няма да ви натовари:

Започнете с проследяване на това, което правят потребителите.Преди да можете да препоръчате нещо, имате нужда от данни. Проследявайте кликвания, харесвания, спестявания, време, прекарано на страници, покупки, каквото има смисъл за вашето приложение. Дори проста таблица от база данни катоuser_id | item_id | действие | клеймо за времее достатъчно за начало.
Започнете с най-простия подход.Не минавайте направо към машинно обучение. Започнете с „най-популярните артикули“ или „потребителите, които са купили X, са купили и Y“. За малко приложение няколко SQL заявки могат да дадат изненадващо добри препоръки.
Завършете библиотека, когато сте готови.на PythonБиблиотека с изненадаправи съвместното филтриране изключително просто. Можете да имате работещ препоръчителен модел в около 20 реда код.Препоръчители на TensorFlowе страхотно, ако искате да отидете по-дълбоко.
Поддържайте го свежо.Препоръките бързо остаряват. Настройте седмична работа, за да преквалифицирате вашия модел с нови данни. Вкусът на потребителя през януари може да е напълно различен до март.

Ако не искате да го изградите сами, управляваните услуги могат да се справят с тежката работа.AWS Персонализираневи позволява да въвеждате вашите данни и да получавате препоръки обратно чрез API.AI за препоръки на Googleправи същото. И двете имат безплатни нива, които са достатъчно щедри за малки приложения.

Изграждане на вашата първа система за препоръки

Проследяване на действията на потребителя

Регистрирайте кликвания, харесвания, покупки и прекарано време

Започнете просто

„Най-популярни“ или „също закупени“ с основни SQL заявки

Добавяне на библиотека

Използвайте препоръките на Python Surprise или TensorFlow

Преквалифициране седмично

Поддържайте препоръките свежи, тъй като вкусовете на потребителите се променят

Измерете какво работи

Проследявайте честотите на кликване върху вашите препоръки

Ключови изводи

Не е необходимо да сте учен по данни.Една проста заявка „хора, които са харесали X, също са харесали Y“ може да направи чудеса за малко приложение.
Започнете с това, което имате.Дори основните данни за кликванията са достатъчни, за да дадат полезни препоръки.
Има безплатни инструменти, които вършат тежката работа.Библиотеки като Surprise и управлявани услуги като AWS Personalize имат безплатни нива, идеални за соло разработчици.
Поддържайте го свежо.Редовно обучавайте своя модел. Остарелите препоръки са по-лоши от липсата на препоръки.
Измерете въздействието.Проследете дали потребителите наистина кликват върху вашите препоръки. Ако не го направят, променете подхода си.

Заключение

Системите за препоръки не са само за технологични гиганти с масивни инженерни екипи. Като самостоятелен разработчик можете да започнете с нещо толкова просто като „най-популярно тази седмица“ и постепенно да стигнете до персонализирани предложения, базирани на реални потребителски данни. Инструментите са безплатни, библиотеките са удобни за начинаещи и въздействието върху ангажираността на потребителите може да бъде огромно.

Ключът е просто да започнете. Проследете поведението на потребителите, опитайте прост подход и повторете оттам. Вашите потребители ще забележат разликата.

За допълнително четене вижтеРъководство на Google за системи за препоръки, AWS Персонализиране, иИзненадваща библиотечна документация.