Τι είναι ακόμη ένα σύστημα συστάσεων;

Ξέρετε πότε το Netflix προτείνει μια εκπομπή και σκέφτεστε, "Πώς το ήξερε;" Ή όταν η Amazon σας δείχνει προϊόντα που είναι παράξενα τέλεια για εσάς; Αυτό είναι ένα σύστημα συστάσεων στη δουλειά. Βασικά είναι ένα λογισμικό που εξετάζει το τι έχετε κάνει εσείς (και άνθρωποι σαν εσάς) στο παρελθόν και το χρησιμοποιεί για να μαντέψει τι πιθανώς θα θέλετε στη συνέχεια.

Τα καλά νέα; Δεν χρειάζεται να είστε Netflix για να δημιουργήσετε ένα. Εάν είστε ένας μόνος προγραμματιστής που δημιουργεί μια εφαρμογή, ένα ιστολόγιο ή ένα ηλεκτρονικό κατάστημα, μπορείτε να προσθέσετε προτάσεις για να συνεχίσετε να επιστρέφουν οι χρήστες σας. Ας αναλύσουμε πώς λειτουργούν πραγματικά αυτά τα πράγματα, σε απλά αγγλικά, με πραγματικά παραδείγματα που μπορείτε να ακολουθήσετε.

Οι δύο κύριες προσεγγίσεις (με πραγματικά παραδείγματα)

Υπάρχουν πραγματικά μόνο δύο βασικές ιδέες πίσω από κάθε σύστημα συστάσεων. Μόλις τα καταλάβετε, όλα τα άλλα είναι απλώς παραλλαγές στο θέμα.

1. Συνεργατικό φιλτράρισμα: "Άρεσε επίσης στους ανθρώπους όπως εσύ..."

Αυτή η προσέγγιση εξετάζει τι έχουν κάνει παρόμοιοι χρήστες. Δεν το νοιάζειΤιτο περιεχόμενο είναι στην πραγματικότητα. Απλώς παρατηρεί πρότυπα συμπεριφοράς.

Παράδειγμα πραγματικού κόσμου:Ας υποθέσουμε ότι δημιουργείτε μια εφαρμογή κριτικής βιβλίων. Ο χρήστης Α αγάπησε τα βιβλία #1, #2 και #3. Ο χρήστης Β αγάπησε τα βιβλία #1 και #2, αλλά δεν έχει δει ακόμα το βιβλίο #3. Το συνεργατικό φιλτράρισμα λέει, "Ο χρήστης Β πιθανότατα θα λατρέψει επίσης το βιβλίο #3, επειδή έχει το ίδιο γούστο με τον χρήστη Α."

Έτσι ακριβώς λειτουργεί η λίστα αναπαραγωγής "Discover Weekly" του Spotify. Βρίσκει χρήστες με παρόμοιες συνήθειες ακρόασης με τις δικές σας και, στη συνέχεια, προτείνει τραγούδια που τους άρεσαν και δεν έχετε ακούσει ακόμα.

2. Φιλτράρισμα με βάση το περιεχόμενο: "Επειδή σας άρεσε αυτό το συγκεκριμένο πράγμα..."

Αυτή η προσέγγιση εξετάζει τα πραγματικά χαρακτηριστικά του τι έχει αλληλεπιδράσει ένας χρήστης και, στη συνέχεια, βρίσκει περισσότερα πράγματα με παρόμοια χαρακτηριστικά.

Παράδειγμα πραγματικού κόσμου:Δημιουργείτε μια εφαρμογή συνταγών. Ένας χρήστης συνεχίζει να αποθηκεύει συνταγές για χορτοφαγικά ζυμαρικά που χρειάζονται λιγότερο από 30 λεπτά. Το φιλτράρισμα βάσει περιεχομένου θα συνιστούσε άλλα γρήγορα πιάτα με ζυμαρικά για χορτοφάγους, ακόμα κι αν κανένας άλλος χρήστης δεν τα έχει δοκιμάσει ακόμα, επειδήσυστατικά και ιδιότητεςταιριάζει με αυτό που σαφώς προτιμά αυτός ο χρήστης.

Η πλαϊνή γραμμή "Σχετικά βίντεο" του YouTube λειτουργεί με αυτόν τον τρόπο. Εξετάζει τις ετικέτες, τον τίτλο και την κατηγορία αυτού που παρακολουθείτε και, στη συνέχεια, βρίσκει βίντεο με παρόμοια χαρακτηριστικά.

Δύο Τύποι Συστημάτων Συστάσεων

👥

Συνεργατικό φιλτράρισμα
"Χρήστες σαν εσάς απολάμβαναν επίσης..." (Spotify, Amazon)

🔍

Φιλτράρισμα με βάση το περιεχόμενο
"Επειδή αυτό το αντικείμενο έχει παρόμοια χαρακτηριστικά..." (YouTube, Netflix)

🧪

Υβριδικό (το καλύτερο και των δύο)
Συνδυάστε και τα δύο για καλύτερα αποτελέσματα (αυτό που κάνουν οι περισσότερες μεγάλες εφαρμογές)

📈

Βάσει δημοτικότητας (Ευκολότερη εκκίνηση)
"Πιο δημοφιλή αυτήν την εβδομάδα" - δεν χρειάζονται δεδομένα χρήστη

⏱️

Ενημερώσεις σε πραγματικό χρόνο
Προσαρμόστε άμεσα καθώς οι χρήστες αλληλεπιδρούν με την εφαρμογή σας

Τι γίνεται με τις ενσωματώσεις; (Είναι πιο απλό από όσο ακούγεται)

Θα ακούσετε πολύ τον όρο "ενσωματώσεις" στα εκπαιδευτικά συστήματα συστάσεων. Ακούγεται τρομακτικό, αλλά η ιδέα είναι πολύ απλή.

Σκεφτείτε το ως εξής: φανταστείτε ότι κάθε χρήστης και κάθε στοιχείο στην εφαρμογή σας τοποθετείται σε έναν τεράστιο χάρτη. Οι χρήστες που τους αρέσουν παρόμοια πράγματα καταλήγουν κοντά στο χάρτη. Τα αντικείμενα που είναι παρόμοια καταλήγουν επίσης κοντά. Μια "ενσωμάτωση" είναι απλώς οι συντεταγμένες (η τοποθεσία) ενός χρήστη ή στοιχείου σε αυτόν τον χάρτη.

Παράδειγμα πραγματικού κόσμου:Σε μια εφαρμογή μουσικής, ένας χρήστης που ακούει τζαζ, μπλουζ και σόουλ θα τοποθετηθεί κοντά σε αυτά τα είδη στον χάρτη. Ένας χρήστης που ακούει μέταλ και πανκ θα ήταν σε εντελώς διαφορετικό χώρο. Όταν βγαίνει ένα νέο άλμπουμ τζαζ, το σύστημα ελέγχει ποιοι χρήστες είναι «κοντά» στη τζαζ στον χάρτη και τους το προτείνει.

Γιατί αυτό έχει σημασία εάν δημιουργείτε μια εφαρμογή μόνοι σας

Εάν είστε μόνος προγραμματιστής, η προσθήκη ακόμη και ενός απλού συστήματος συστάσεων μπορεί να αλλάξει το παιχνίδι για να διατηρήσετε την αφοσίωση των χρηστών. Να γιατί:

Οι χρήστες παραμείνουν περισσότερο.Όταν οι χρήστες βλέπουν περιεχόμενο που αισθάνεται ότι επιλέγεται προσωπικά για αυτούς, περνούν περισσότερο χρόνο στην εφαρμογή σας. Σκεφτείτε πώς συνεχίζετε να κάνετε κύλιση στο TikTok επειδή συνεχίζει να σας δείχνει ακριβώς αυτό που σας ενδιαφέρει.
Οι χρήστες ανακαλύπτουν περισσότερα από το περιεχόμενό σας.Εάν έχετε ένα ιστολόγιο με 200 δημοσιεύσεις, οι περισσότεροι επισκέπτες θα δουν μόνο τις τελευταίες λίγες. Μια ενότητα "Μπορεί επίσης να σας αρέσει" μπορεί να εμφανίσει παλαιότερες αναρτήσεις που εξακολουθούν να είναι σχετικές με κάθε αναγνώστη.
Οι χρήστες επιστρέφουν πιο συχνά.Οι εξατομικευμένες περιλήψεις μηνυμάτων ηλεκτρονικού ταχυδρομείου ("Δείτε τι νέο υπάρχει με βάση τα ενδιαφέροντά σας") δίνουν στους ανθρώπους έναν λόγο να επιστρέψουν. Αυτός είναι ο τρόπος με τον οποίο το Medium σας κάνει να κάνετε κλικ σε άρθρα.

Πώς να φτιάξετε πραγματικά ένα (Βήμα προς βήμα)

Ακολουθεί ένας πρακτικός οδικός χάρτης που δεν θα σας συντρίψει:

Ξεκινήστε παρακολουθώντας τι κάνουν οι χρήστες.Για να μπορέσετε να προτείνετε οτιδήποτε, χρειάζεστε δεδομένα. Παρακολουθήστε τα κλικ, τις επισημάνσεις "μου αρέσει", τις εξοικονομήσεις, τον χρόνο που αφιερώνεται σε σελίδες, τις αγορές, οτιδήποτε έχει νόημα για την εφαρμογή σας. Ακόμη και ένας απλός πίνακας βάσης δεδομένων όπωςuser_id | item_id | δράση | χρονική σήμανσηείναι αρκετό για να ξεκινήσει.
Ξεκινήστε με την απλούστερη προσέγγιση.Μην πηδάτε κατευθείαν στη μηχανική μάθηση. Ξεκινήστε με τα "πιο δημοφιλή αντικείμενα" ή "οι χρήστες που αγόρασαν το X αγόρασαν και το Y." Για μια μικρή εφαρμογή, μερικά ερωτήματα SQL μπορούν να παρέχουν εκπληκτικά καλές συστάσεις.
Αποφοιτήστε σε μια βιβλιοθήκη όταν είστε έτοιμοι.της PythonΒιβλιοθήκη έκπληξηαπλοποιεί το συλλογικό φιλτράρισμα. Μπορείτε να έχετε ένα λειτουργικό μοντέλο προτάσεων σε περίπου 20 γραμμές κώδικα.TensorFlow Recommendersείναι υπέροχο αν θέλετε να πάτε πιο βαθιά.
Διατηρήστε το φρέσκο.Οι συστάσεις μπαγιάζουν γρήγορα. Ρυθμίστε μια εβδομαδιαία εργασία για να επανεκπαιδεύσετε το μοντέλο σας με νέα δεδομένα. Το γούστο ενός χρήστη τον Ιανουάριο μπορεί να είναι εντελώς διαφορετικό από τον Μάρτιο.

Εάν δεν θέλετε να το κατασκευάσετε μόνοι σας, οι διαχειριζόμενες υπηρεσίες μπορούν να χειριστούν τη βαριά ανύψωση.Εξατομίκευση AWSσας επιτρέπει να τροφοδοτείτε τα δεδομένα σας και να λαμβάνετε προτάσεις πίσω μέσω ενός API.Προτάσεις AI της Googleκάνει το ίδιο πράγμα. Και οι δύο έχουν δωρεάν επίπεδα που είναι αρκετά γενναιόδωρα για μικρές εφαρμογές.

Δημιουργία του πρώτου σας συστήματος συστάσεων

Παρακολούθηση ενεργειών χρήστη

Καταγραφή των κλικ, των επισημάνσεων "μου αρέσει", των αγορών και του χρόνου που αφιερώθηκε

Ξεκινήστε απλά

"Πιο δημοφιλή" ή "αγοράστηκε επίσης" με βασικά ερωτήματα SQL

Προσθήκη βιβλιοθήκης

Χρησιμοποιήστε το Python's Surprise ή το TensorFlow Recommenders

Retrain Weekly

Διατηρήστε τις προτάσεις φρέσκες καθώς αλλάζουν τα γούστα των χρηστών

Μετρήστε τι λειτουργεί

Παρακολουθήστε τις αναλογίες κλικ προς αριθμό εμφανίσεων στις προτάσεις σας

Βασικά Takeaways

Δεν χρειάζεται να είστε επιστήμονας δεδομένων.Ένα απλό ερώτημα "σε άτομα που τους άρεσε το Χ άρεσε και το Υ" μπορεί να κάνει θαύματα για μια μικρή εφαρμογή.
Ξεκινήστε με αυτό που έχετε.Ακόμη και τα βασικά δεδομένα κλικ είναι αρκετά για να τροφοδοτήσουν χρήσιμες προτάσεις.
Υπάρχουν δωρεάν εργαλεία που κάνουν τη βαριά ανύψωση.Βιβλιοθήκες όπως το Surprise και διαχειριζόμενες υπηρεσίες όπως το AWS Personalize έχουν δωρεάν επίπεδα ιδανικά για μεμονωμένους προγραμματιστές.
Διατηρήστε το φρέσκο.Εκπαιδεύετε τακτικά το μοντέλο σας. Οι μπαγιάτικες συστάσεις είναι χειρότερες από τις μη συστάσεις.
Μετρήστε τον αντίκτυπο.Παρακολουθήστε εάν οι χρήστες κάνουν πραγματικά κλικ στις προτάσεις σας. Εάν δεν το κάνουν, τροποποιήστε την προσέγγισή σας.

Σύναψη

Τα συστήματα συστάσεων δεν είναι μόνο για τεχνολογικούς γίγαντες με τεράστιες ομάδες μηχανικών. Ως σόλο προγραμματιστής, μπορείτε να ξεκινήσετε με κάτι τόσο απλό όσο το "πιο δημοφιλές αυτήν την εβδομάδα" και σταδιακά να προχωρήσετε σε εξατομικευμένες προτάσεις που υποστηρίζονται από πραγματικά δεδομένα χρήστη. Τα εργαλεία είναι δωρεάν, οι βιβλιοθήκες είναι φιλικές για αρχάριους και ο αντίκτυπος στην αφοσίωση των χρηστών μπορεί να είναι τεράστιος.

Το κλειδί είναι να ξεκινήσετε. Παρακολουθήστε τη συμπεριφορά των χρηστών, δοκιμάστε μια απλή προσέγγιση και επαναλάβετε από εκεί. Οι χρήστες σας θα παρατηρήσουν τη διαφορά.

Για περαιτέρω ανάγνωση, ρίξτε μια ματιάΟδηγός Συστημάτων Προτάσεων της Google, Εξατομίκευση AWS, και τοΤεκμηρίωση βιβλιοθήκης έκπληξη.