Hvad er egentlig et anbefalingssystem?

Du ved, når Netflix foreslår et show, og du tænker, "Hvordan vidste det det?" Eller når Amazon viser dig produkter, der underligt er perfekte til dig? Det er et anbefalingssystem på arbejde. Det er dybest set software, der ser på, hvad du (og folk som dig) har gjort tidligere, og bruger det til at gætte, hvad du sandsynligvis vil have næste gang.

Den gode nyhed? Du behøver ikke at være Netflix for at bygge en. Hvis du er en solo-udvikler, der bygger en app, en blog eller en onlinebutik, kan du tilføje anbefalinger for at få dine brugere til at vende tilbage. Lad os nedbryde, hvordan disse ting faktisk fungerer, på almindeligt engelsk, med rigtige eksempler, du kan følge.

De to vigtigste tilgange (med rigtige eksempler)

Der er egentlig kun to kerneideer bag hvert anbefalingssystem. Når du først forstår disse, er alt andet blot variationer af temaet.

1. Samarbejdsfiltrering: "Folk som du kunne også lide..."

Denne tilgang ser på, hvad lignende brugere har gjort. Det er ligegladhvadindholdet faktisk er. Den bemærker bare mønstre i adfærd.

Eksempel fra den virkelige verden:Lad os sige, at du bygger en boganmeldelsesapp. Bruger A elskede bøger #1, #2 og #3. Bruger B elskede bog #1 og #2, men har ikke set bog #3 endnu. Samarbejdsfiltrering siger: "Bruger B vil sandsynligvis også elske bog #3, fordi de har samme smag som bruger A."

Det er præcis sådan Spotifys "Discover Weekly"-playliste fungerer. Den finder brugere med lignende lyttevaner som din, og anbefaler derefter sange, de elskede, som du ikke har hørt endnu.

2. Indholdsbaseret filtrering: "Fordi du kunne lide denne specifikke ting..."

Denne tilgang ser på de faktiske egenskaber ved det, en bruger har interageret med, og finder derefter flere ting med lignende træk.

Eksempel fra den virkelige verden:Du bygger en opskriftsapp. En bruger bliver ved med at gemme vegetariske pastaopskrifter, der tager under 30 minutter. Indholdsbaseret filtrering vil anbefale andre hurtige vegetariske pastaretter, selvom ingen andre brugere har prøvet dem endnu, fordiingredienser og egenskabermatche, hvad denne bruger klart foretrækker.

YouTubes sidebjælke "Relaterede videoer" fungerer på denne måde. Den ser på tags, titel og kategori for det, du ser, og finder derefter videoer med lignende egenskaber.

To typer anbefalingssystemer

👥

Samarbejdsfiltrering
"Brugere som dig nød også..." (Spotify, Amazon)

🔍

Indholdsbaseret filtrering
"Fordi denne genstand har lignende træk..." (YouTube, Netflix)

🧪

Hybrid (bedst af begge)
Kombiner begge for bedre resultater (hvad de fleste store apps gør)

📈

Popularitetsbaseret (nemmeste start)
"Mest populær i denne uge" - ingen brugerdata nødvendig

⏱️

Realtidsopdateringer
Tilpas med det samme, når brugerne interagerer med din app

Hvad med indlejringer? (Det er enklere end det lyder)

Du vil høre udtrykket "indlejringer" meget i anbefalingssystemtutorials. Det lyder skræmmende, men ideen er død simpel.

Tænk på det sådan her: Forestil dig, at hver bruger og hvert element i din app bliver placeret på et kæmpe kort. Brugere, der kan lide lignende ting, ender tæt sammen på kortet. Ting, der ligner hinanden, ender også tæt på hinanden. En "indlejring" er blot koordinaterne (placeringen) for en bruger eller et element på det pågældende kort.

Eksempel fra den virkelige verden:I en musikapp ville en bruger, der lytter til jazz, blues og soul, blive placeret i nærheden af disse genrer på kortet. En bruger, der lytter til metal og punk, ville være i et helt andet område. Når et nyt jazzalbum udkommer, tjekker systemet, hvilke brugere der er "tæt på" på jazzen på kortet og anbefaler det til dem.

Hvorfor dette betyder noget, hvis du bygger en app alene

Hvis du er en solo-udvikler, kan tilføjelse af selv et simpelt anbefalingssystem være en game-changer for at holde brugerne engageret. Her er hvorfor:

Brugere bliver længere.Når folk ser indhold, der føles personligt udvalgt til dem, bruger de mere tid i din app. Tænk over, hvordan du bliver ved med at rulle TikTok, fordi den bliver ved med at vise dig præcis, hvad du går efter.
Brugere opdager mere af dit indhold.Hvis du har en blog med 200 indlæg, vil de fleste besøgende kun se de seneste få. En "Du kan også lide"-sektion kan vise ældre indlæg, der stadig er relevante for hver enkelt læser.
Brugere kommer oftere tilbage.Personlige e-mail-sammendrag ("Her er det nye baseret på dine interesser") giver folk en grund til at vende tilbage. Sådan holder Medium dig til at klikke på artikler.

Hvordan man faktisk bygger en (trin for trin)

Her er en praktisk køreplan, der ikke vil overvælde dig:

Start med at spore, hvad brugerne gør.Før du kan anbefale noget, har du brug for data. Spor klik, likes, gemmer, tid brugt på sider, køb, hvad der giver mening for din app. Selv en simpel databasetabel sombruger_id | item_id | handling | tidsstempeler nok til at starte.
Begynd med den enkleste tilgang.Spring ikke direkte til maskinlæring. Start med "mest populære varer" eller "brugere, der købte X, købte også Y." For en lille app kan nogle få SQL-forespørgsler give overraskende gode anbefalinger.
Opgrader til et bibliotek, når du er klar.Python'sOverraskelse bibliotekgør kollaborativ filtrering død simpel. Du kan have en fungerende anbefalingsmodel i omkring 20 linjer kode.TensorFlow-anbefalingerer fantastisk, hvis du vil gå dybere.
Hold den frisk.Anbefalinger bliver hurtigt forældede. Opret et ugentligt job for at genoptræne din model med nye data. En brugers smag i januar kan være helt anderledes i marts.

Hvis du ikke ønsker at bygge det selv, kan managed services klare de tunge løft.AWS personliggørlader dig indlæse dine data og få anbefalinger tilbage gennem en API.Googles anbefalinger AIgør det samme. Begge har gratis niveauer, der er generøse nok til små apps.

Opbygning af dit første anbefalingssystem

Spor brugerhandlinger

Log klik, likes, køb og brugt tid

Start Simpelt

"Mest populær" eller "også købt" med grundlæggende SQL-forespørgsler

Tilføj et bibliotek

Brug Pythons overraskelse eller TensorFlow-anbefalinger

Genoplæring ugentligt

Hold anbefalingerne friske, efterhånden som brugernes smag ændrer sig

Mål hvad der virker

Spor klikrater på dine anbefalinger

Nøgle takeaways

Du behøver ikke at være dataforsker.En simpel "personer, der kunne lide X, kunne også lide Y"-forespørgsel kan gøre underværker for en lille app.
Start med det du har.Selv grundlæggende klikdata er nok til at give nyttige anbefalinger.
Der er gratis værktøjer, der gør det tunge løft.Biblioteker som Surprise og administrerede tjenester som AWS Personalize har gratis niveauer perfekt til solo-udviklere.
Hold den frisk.Genoplær din model regelmæssigt. Forældede anbefalinger er værre end ingen anbefalinger.
Mål påvirkningen.Spor, om brugere rent faktisk klikker på dine anbefalinger. Hvis de ikke gør det, tweak din tilgang.

Konklusion

Anbefalingssystemer er ikke kun for teknologigiganter med massive ingeniørteams. Som solo-udvikler kan du starte med noget så simpelt som "mest populær i denne uge" og gradvist arbejde dig op til personlige forslag drevet af rigtige brugerdata. Værktøjerne er gratis, bibliotekerne er begyndervenlige, og indvirkningen på brugerengagement kan være enorm.

Nøglen er bare at starte. Spor brugeradfærd, prøv en enkel tilgang, og gentag derfra. Dine brugere vil bemærke forskellen.

For yderligere læsning, tjekGoogles vejledning til anbefalinger af systemer, AWS personliggør, ogOverraskende biblioteksdokumentation.