Co je to systém doporučení?

Znáte to, když Netflix navrhne pořad a vy si pomyslíte: "Jak to věděl?" Nebo když vám Amazon ukáže produkty, které jsou pro vás podivně dokonalé? To je systém doporučení v práci. Je to v podstatě software, který se dívá na to, co jste vy (a lidé jako vy) dělali v minulosti, a používá to k odhadu, co budete pravděpodobně chtít příště.

Dobrá zpráva? Abyste si jej vytvořili, nemusíte být Netflix. Pokud jste samostatný vývojář vytvářející aplikaci, blog nebo internetový obchod, můžete přidat doporučení, aby se vaši uživatelé vraceli. Pojďme si v jednoduché angličtině rozebrat, jak tyto věci skutečně fungují, na skutečných příkladech, které můžete následovat.

Dva hlavní přístupy (se skutečnými příklady)

Za každým systémem doporučení jsou skutečně jen dvě základní myšlenky. Jakmile to pochopíte, vše ostatní jsou jen variace na dané téma.

1. Kolaborativní filtrování: „Lidé, kteří se vám také líbí...“

Tento přístup se zaměřuje na to, co podobní uživatelé udělali. Je to jednocoobsah ve skutečnosti je. Jen si všímá vzorců v chování.

Příklad z reálného světa:Řekněme, že vytváříte aplikaci pro recenze knih. Uživatel A miloval knihy #1, #2 a #3. Uživatel B miloval knihy #1 a #2, ale ještě neviděl knihu #3. Kolaborativní filtrování říká: "Uživatel B bude pravděpodobně také milovat knihu #3, protože má stejný vkus jako uživatel A."

Přesně tak funguje playlist „Discover Weekly“ na Spotify. Vyhledá uživatele s podobnými zvyklostmi při poslechu, jako máte vy, a poté jim doporučí skladby, které se jim líbily a které jste ještě neslyšeli.

2. Filtrování podle obsahu: „Protože se vám tato konkrétní věc líbila...“

Tento přístup se dívá na skutečné charakteristiky toho, s čím uživatel interagoval, a poté najde další věci s podobnými vlastnostmi.

Příklad z reálného světa:Vytváříte aplikaci receptů. Uživatel si stále ukládá recepty na vegetariánské těstoviny, které zaberou méně než 30 minut. Filtrování na základě obsahu by doporučilo jiné rychlé vegetariánské těstoviny, i když je zatím žádný jiný uživatel nezkusil, protožepřísady a atributyodpovídat tomu, co tento uživatel jednoznačně preferuje.

Postranní panel „Související videa“ na YouTube funguje tímto způsobem. Podívá se na značky, název a kategorii toho, co sledujete, a poté najde videa s podobnými atributy.

Dva typy systémů doporučení

👥

Kolaborativní filtrování
"Uživatelé jako vy si také užili..." (Spotify, Amazon)

🔍

Filtrování podle obsahu
"Protože tato položka má podobné vlastnosti..." (YouTube, Netflix)

🧪

Hybridní (nejlepší z obou)
Kombinací obou dosáhnete lepších výsledků (což dělá většina velkých aplikací)

📈

Na základě popularity (nejsnadnější začátek)
„Nejoblíbenější tento týden“ – nejsou potřeba žádná uživatelská data

⏱️

Aktualizace v reálném čase
Přizpůsobte se okamžitě, když uživatelé interagují s vaší aplikací

A co vkládání? (Je to jednodušší, než to zní)

V návodech k systému doporučení často uslyšíte termín „embedding“. Zní to hrozivě, ale myšlenka je smrtelně jednoduchá.

Představte si to takto: představte si, že každý uživatel a každá položka ve vaší aplikaci se umístí na obrovskou mapu. Uživatelé, kteří mají rádi podobné věci, skončí na mapě těsně vedle sebe. Položky, které jsou podobné, také končí těsně u sebe. "Vložení" jsou pouze souřadnice (umístění) uživatele nebo položky na této mapě.

Příklad z reálného světa: In a music app, a user who listens to jazz, blues, and soul would be placed near those genres on the map. A user who listens to metal and punk would be in a completely different area. When a new jazz album comes out, the system checks which users are "close" to jazz on the map and recommends it to them.

Proč na tom záleží, pokud vytváříte aplikaci sami

Pokud jste samostatný vývojář, přidání i jednoduchého systému doporučení může změnit hru, jak udržet uživatele v zapojení. Zde je důvod:

Uživatelé zůstávají déle.Když lidé uvidí obsah, který je pro ně osobně vybrán, tráví ve vaší aplikaci více času. Přemýšlejte o tom, jak neustále posouváte TikTok, protože vám neustále ukazuje, co přesně vás baví.
Uživatelé objeví více vašeho obsahu.Pokud máte blog s 200 příspěvky, většina návštěvníků uvidí jen několik posledních. Sekce „Mohlo by se vám také líbit“ může zobrazit starší příspěvky, které jsou pro každého čtenáře stále relevantní.
Uživatelé se vracejí častěji.Personalizované přehledy e-mailů („Zde je, co je nového na základě vašich zájmů“) dávají lidem důvod se vracet. Medium vás tak nutí klikat na články.

Jak ho vlastně postavit (krok za krokem)

Zde je praktický plán, který vás nepřemůže:

Začněte sledováním toho, co uživatelé dělají.Než budete moci něco doporučit, potřebujete data. Sledujte prokliky, lajky, ukládání, čas strávený na stránkách, nákupy, cokoliv, co má pro vaši aplikaci smysl. Dokonce i jednoduchá databázová tabulka jakouser_id | item_id | akce | časové razítkopro začátek stačí.
Začněte tím nejjednodušším přístupem.Neskočte rovnou na strojové učení. Začněte slovy „nejoblíbenější položky“ nebo „uživatelé, kteří si koupili X, koupili také Y“. U malé aplikace může několik SQL dotazů poskytnout překvapivě dobrá doporučení.
Až budete připraveni, přejděte do knihovny.PythonůvKnihovna překvapenízjednodušuje kolaborativní filtrování. Můžete mít funkční model doporučení v přibližně 20 řádcích kódu.Doporučení TensorFlowje skvělé, pokud chcete jít hlouběji.
Udržujte to čerstvé.Doporučení rychle zastarají. Nastavte si týdenní úlohu, abyste přeškolili svůj model s novými daty. Vkus uživatele v lednu může být v březnu úplně jiný.

Pokud si to nechcete stavět sami, řízené služby to zvládnou.Přizpůsobení AWSumožňuje vkládat data a získávat doporučení zpět prostřednictvím rozhraní API.AI doporučení společnosti Googledělá to samé. Oba mají bezplatné úrovně, které jsou dostatečně velkorysé pro malé aplikace.

Vytvořte svůj první systém doporučení

Sledování akcí uživatelů

Zaznamenávejte kliknutí, lajky, nákupy a strávený čas

Začněte jednoduše

"Nejoblíbenější" nebo "také kupované" se základními SQL dotazy

Přidat knihovnu

Použijte Python's Surprise nebo TensorFlow Recommenders

Týdenní rekvalifikace

Udržujte doporučení aktuální, protože se mění vkus uživatelů

Změřte, co funguje

Sledujte míru prokliku u svých doporučení

Klíčové věci

Nemusíte být datovým vědcem.Jednoduchý dotaz „lidé, kteří měli rádi X, měli rádi i Y“ dokáže s malou aplikací zázraky.
Začněte tím, co máte.Dokonce i základní údaje o kliknutí stačí k podpoře užitečných doporučení.
Existují bezplatné nástroje, které zvedání těžkých břemen udělají.Knihovny jako Surprise a spravované služby jako AWS Personalize mají bezplatné úrovně ideální pro samostatné vývojáře.
Udržujte to čerstvé.Pravidelně svůj model přeškolujte. Zastaralá doporučení jsou horší než žádná doporučení.
Změřte dopad.Sledujte, zda uživatelé skutečně klikají na vaše doporučení. Pokud ne, upravte svůj přístup.

Závěr

Systémy doporučení nejsou jen pro technologické giganty s masivními inženýrskými týmy. Jako sólo vývojář můžete začít s něčím tak jednoduchým, jako je „nejpopulárnější tento týden“ a postupně se propracovat k personalizovaným návrhům založeným na skutečných uživatelských datech. Nástroje jsou zdarma, knihovny jsou vhodné pro začátečníky a dopad na zapojení uživatelů může být obrovský.

Klíčem je prostě začít. Sledujte chování uživatelů, vyzkoušejte jednoduchý přístup a iterujte odtud. Vaši uživatelé si všimnou rozdílu.

Pro další čtení se podívejtePrůvodce doporučenými systémy společnosti Google, Přizpůsobení AWSaDokumentace knihovny překvapení.