Mis on isegi soovitussüsteem?

Teate, kui Netflix soovitab saadet ja mõtlete: "Kuidas see teadis?" Või kui Amazon näitab teile tooteid, mis on teie jaoks imelikult ideaalsed? See on soovitussüsteem töös. Põhimõtteliselt on see tarkvara, mis vaatab teie (ja teiesarnaste inimeste) mineviku tegemist ja kasutab seda, et arvata, mida te tõenäoliselt järgmiseks soovite.

Hea uudis? Selle loomiseks ei pea te olema Netflix. Kui olete üksi arendaja, kes loob rakendust, ajaveebi või veebipoodi, saate lisada soovitusi, et kasutajad tagasi tuleksid. Räägime lihtsas inglise keeles, kuidas need asjad tegelikult töötavad, koos reaalsete näidetega, mida saate järgida.

Kaks peamist lähenemisviisi (reaalsete näidetega)

Iga soovitussüsteemi taga on tegelikult ainult kaks põhiideed. Kui olete neist aru saanud, on kõik muu vaid selle teema variatsioonid.

1. Koostöö filtreerimine: "Inimestele, kes teile meeldivad, meeldisid ka..."

Selle lähenemisviisiga vaadeldakse, mida sarnased kasutajad on teinud. See ei huvitamidasisu tegelikult on. See lihtsalt märkab käitumismustreid.

Näide tegelikust maailmast:Oletame, et loote raamatuarvustuste rakendust. Kasutaja A armastas raamatuid nr 1, nr 2 ja nr 3. Kasutajale B meeldisid raamatud nr 1 ja nr 2, kuid ta pole veel raamatut nr 3 näinud. Koostöö filtreerimine ütleb: "Tõenäoliselt meeldib kasutajale B ka raamat nr 3, sest neil on sama maitse kui kasutajal A."

Täpselt nii töötab Spotify esitusloend "Discover Weekly". See otsib üles kasutajad, kelle kuulamisharjumused on sarnased teie omadega, ja soovitab seejärel lugusid, mida nad armastasid ja mida te pole veel kuulnud.

2. Sisupõhine filtreerimine: "Kuna teile meeldis see konkreetne asi..."

See lähenemine vaatleb kasutaja suhtlemise tegelikke omadusi ja leiab seejärel rohkem sarnaste tunnustega asju.

Näide tegelikust maailmast:Loote retseptirakendust. Kasutaja salvestab taimetoidu pasta retsepte, mis võtavad vähem kui 30 minutit. Sisupõhine filtreerimine soovitaks muid kiireid taimetoite pastaroogasid, isegi kui ükski teine kasutaja pole neid veel proovinud, sestkoostisained ja omadusedvastama sellele, mida see kasutaja selgelt eelistab.

YouTube'i külgriba "Seotud videod" töötab sel viisil. See vaatab silte, pealkirja ja kategooriat, mida vaatate, seejärel leiab sarnaste atribuutidega videod.

Kaks tüüpi soovitussüsteeme

👥

Koostöö filtreerimine
"Sinasugustele kasutajatele meeldis ka..." (Spotify, Amazon)

🔍

Sisupõhine filtreerimine
"Kuna sellel üksusel on sarnased omadused..." (YouTube, Netflix)

🧪

Hübriid (mõlemast parim)
Paremate tulemuste saamiseks kombineerige mõlemad (mida teevad enamik suuri rakendusi)

📈

Populaarsuspõhine (lihtsaim algus)
"Selle nädala populaarseim" – kasutajaandmeid pole vaja

⏱️

Reaalajas värskendused
Kohanege kohe, kui kasutajad teie rakendusega suhtlevad

Aga manustamine? (See on lihtsam, kui see kõlab)

Mõistet "manustamine" kuulete sageli soovitussüsteemide õpetustes. See kõlab hirmutavalt, kuid idee on surmlihtne.

Mõelge sellele järgmiselt: kujutage ette, et iga kasutaja ja iga teie rakenduse üksus paigutatakse hiiglaslikule kaardile. Kasutajad, kellele meeldivad sarnased asjad, satuvad kaardil lähestikku. Sarnased esemed satuvad samuti lähestikku. Manustamine on sellel kaardil oleva kasutaja või üksuse koordinaadid (asukoht).

Näide tegelikust maailmast:Muusikarakenduses paigutatakse džässi, bluusi ja souli kuulav kasutaja kaardil nende žanrite lähedusse. Metali ja punki kuulav kasutaja oleks hoopis teises piirkonnas. Uue jazzialbumi ilmumisel kontrollib süsteem kaardil, millised kasutajad on džässile "lähedased" ja soovitab seda neile.

Miks see on oluline, kui loote rakendust üksi

Kui olete üksi arendaja, võib isegi lihtsa soovitussüsteemi lisamine muutuda kasutajate kaasatuse hoidmiseks. Siin on põhjus:

Kasutajad jäävad kauemaks.Kui inimesed näevad sisu, mis tundub neile isiklikult valitud, veedavad nad teie rakenduses rohkem aega. Mõelge sellele, kuidas jätkate TikToki kerimist, sest see näitab teile pidevalt, mis teile meeldib.
Kasutajad avastavad teie sisu rohkem.Kui teil on 200 postitusega ajaveeb, näevad enamik külastajaid ainult mõnda viimast. Jaotises "Teile võib ka meeldida" võib kuvada vanemad postitused, mis on iga lugeja jaoks endiselt asjakohased.
Kasutajad tulevad sagedamini tagasi.Isikupärastatud meilikokkuvõtted ("Siin on teie huvide põhjal uudis") annavad inimestele põhjuse tagasi pöörduda. Nii hoiab Medium teid artiklitel klõpsimas.

Kuidas seda tegelikult ehitada (samm-sammult)

Siin on praktiline tegevuskava, mis teile üle ei käi:

Alustage kasutajate tegemiste jälgimisest.Enne kui saate midagi soovitada, on teil vaja andmeid. Jälgige klikke, meeldimisi, salvestamisi, lehtedel veedetud aega, oste ja kõike, mis on teie rakenduse jaoks mõistlik. Isegi lihtne andmebaasi tabel nagukasutaja_id | üksuse_id | tegevus | ajatempelalustamiseks piisab.
Alustage kõige lihtsamast lähenemisest.Ärge hüppage otse masinõppe juurde. Alustage sõnadega "kõige populaarsemad kaubad" või "kasutajad, kes ostsid X, ostsid ka Y". Väikese rakenduse jaoks võivad mõned SQL-päringud anda üllatavalt häid soovitusi.
Kui olete selleks valmis, minge raamatukogusse.Pythoni omaÜllatusraamatukogumuudab koostöö filtreerimise lihtsaks. Töötav soovitusmudel võib olla umbes 20 koodireal.TensorFlow soovitusedon suurepärane, kui soovite minna sügavamale.
Hoidke seda värskena.Soovitused aeguvad kiiresti. Seadistage iganädalane töö, et oma mudelit uute andmetega ümber õpetada. Kasutaja maitse jaanuaris võib märtsiks olla täiesti erinev.

Kui te ei soovi seda ise ehitada, saavad hallatavad teenused raskete tõstetega hakkama.AWS-i isikupärastaminevõimaldab teil oma andmeid sisestada ja API kaudu soovitusi tagasi saada.Google'i soovitused AIteeb sama asja. Mõlemal on tasuta tasemed, mis on väikeste rakenduste jaoks piisavalt helded.

Oma esimese soovitussüsteemi loomine

Jälgige kasutaja toiminguid

Logige sisse klõpsud, meeldimised, ostud ja kulutatud aeg

Start Simple

"Kõige populaarsem" või "ostetud ka" põhiliste SQL-päringutega

Lisage raamatukogu

Kasutage Pythoni üllatuse või TensorFlow soovitusi

Retrrein Weekly

Hoidke soovitused värskena, kui kasutaja maitse muutub

Mõõtke, mis töötab

Jälgige oma soovituste klikkimise määra

Võtmed kaasavõtmiseks

Sa ei pea olema andmeteadlane.Lihtne päring "inimestele, kellele meeldis X meeldis ka Y" võib väikese rakendusega teha imesid.
Alusta sellest, mis sul on.Kasulike soovituste andmiseks piisab isegi põhilistest klikiandmetest.
Raske tõstmiseks on tasuta tööriistad.Teekides nagu Surprise ja hallatavatel teenustel, nagu AWS Personalize, on tasuta tasemed, mis sobivad ideaalselt üksi arendajatele.
Hoidke seda värskena.Koolitage oma mudelit regulaarselt ümber. Vananenud soovitused on hullemad kui soovituste puudumine.
Mõõtke mõju.Jälgige, kas kasutajad tegelikult teie soovitustel klõpsavad. Kui nad seda ei tee, muutke oma lähenemisviisi.

Järeldus

Soovitussüsteemid ei ole mõeldud ainult tohutute insenerimeeskondadega tehnoloogiahiiglastele. Üksi arendajana võite alustada millestki nii lihtsast nagu "selle nädala populaarseim" ja jõuda järk-järgult isikupärastatud soovitusteni, mis põhinevad tegelikel kasutajaandmetel. Tööriistad on tasuta, raamatukogud on algajasõbralikud ja mõju kasutajate kaasamisele võib olla tohutu.

Peaasi on lihtsalt alustada. Jälgige kasutajate käitumist, proovige lihtsat lähenemist ja korrake sealt edasi. Teie kasutajad märkavad erinevust.

Lisalugemiseks vaadakeGoogle'i soovitussüsteemide juhend, AWS-i isikupärastamine, jaÜllatus raamatukogu dokumentatsioon.