Mikä edes on suositusjärjestelmä?

Tiedät, kun Netflix ehdottaa ohjelmaa ja ajattelet: "Mistä se tiesi?" Tai kun Amazon näyttää sinulle tuotteita, jotka ovat oudosti täydellisiä sinulle? Se on suositusjärjestelmä työssä. Se on pohjimmiltaan ohjelmisto, joka tarkastelee, mitä sinä (ja kaltaisesi ihmiset) olet tehnyt aiemmin, ja käyttää sitä arvaamaan, mitä todennäköisesti haluat seuraavaksi.

Hyviä uutisia? Sinun ei tarvitse olla Netflix rakentaaksesi sellaisen. Jos olet yksin kehittäjä ja rakennat sovellusta, blogia tai verkkokauppaa, voit lisätä suosituksia, jotta käyttäjät palaavat takaisin. Tarkastellaanpa, miten nämä asiat todella toimivat, englannin kielellä todellisilla esimerkeillä, joita voit seurata.

Kaksi tärkeintä lähestymistapaa (oikeilla esimerkeillä)

Jokaisen suositusjärjestelmän takana on oikeastaan vain kaksi ydinideaa. Kun ymmärrät nämä, kaikki muu on vain muunnelmia aiheesta.

1. Yhteistyösuodatus: "Sinun kaltaiset ihmiset pitivät myös..."

Tässä lähestymistavassa tarkastellaan, mitä samanlaiset käyttäjät ovat tehneet. Se ei välitämitäsisältö todella on. Se vain huomaa käyttäytymismalleja.

Esimerkki tosielämästä:Oletetaan, että olet rakentamassa kirja-arvostelusovellusta. Käyttäjä A rakasti kirjoja 1, 2 ja 3. Käyttäjä B rakasti kirjoja #1 ja #2, mutta ei ole vielä nähnyt kirjaa #3. Yhteiskäyttöinen suodatus sanoo: "Käyttäjä B pitää luultavasti myös kirjasta 3, koska niillä on sama maku kuin käyttäjällä A."

Juuri näin Spotifyn "Discover Weekly" -soittolista toimii. Se löytää käyttäjiä, joilla on samankaltaisia kuuntelutottumuksia kuin sinun, ja suosittelee sitten heidän rakastamiaan kappaleita, joita et ole vielä kuullut.

2. Sisältöpohjainen suodatus: "Koska pidit tästä tietystä asiasta..."

Tämä lähestymistapa tarkastelee käyttäjän vuorovaikutuksen todellisia ominaisuuksia ja löytää sitten lisää samankaltaisia ominaisuuksia.

Esimerkki tosielämästä:Olet rakentamassa reseptisovellusta. Käyttäjä tallentaa jatkuvasti kasvispastareseptejä, jotka vievät alle 30 minuuttia. Sisältöpohjainen suodatus suosittelisi muita nopeita kasvispastaruokia, vaikkei kukaan muu käyttäjä olisi niitä vielä maistanut, koskaainesosat ja ominaisuudetvastaa sitä, mitä tämä käyttäjä selvästi pitää.

YouTuben "Aiheeseen liittyvät videot" -sivupalkki toimii tällä tavalla. Se tarkastelee katsomasi sisällön tageja, otsikkoa ja luokkaa ja löytää sitten videoita, joilla on samankaltaiset ominaisuudet.

Kahden tyyppisiä suositusjärjestelmiä

👥

Yhteistyösuodatus
"Kaltaiset käyttäjät nauttivat myös..." (Spotify, Amazon)

🔍

Sisältöpohjainen suodatus
"Koska tällä esineellä on samanlaisia piirteitä..." (YouTube, Netflix)

🧪

Hybridi (molempien paras)
Yhdistä molemmat saadaksesi parempia tuloksia (mitä useimmat suuret sovellukset tekevät)

📈

Suosioperusteinen (helppoin aloitus)
"Suosituin tällä viikolla" - käyttäjätietoja ei tarvita

⏱️

Reaaliaikaiset päivitykset
Mukaudu heti, kun käyttäjät ovat vuorovaikutuksessa sovelluksesi kanssa

Entä upotukset? (Se on yksinkertaisempaa kuin miltä se kuulostaa)

Tulet kuulemaan termin "upotukset" paljon suositusjärjestelmän opetusohjelmissa. Se kuulostaa pelottavalta, mutta idea on kuolleen yksinkertainen.

Ajattele asiaa näin: kuvittele, että jokainen käyttäjä ja jokainen sovelluksesi kohde sijoitetaan jättimäiselle kartalle. Käyttäjät, jotka pitävät samankaltaisista asioista, päätyvät lähelle toisiaan kartalla. Myös samankaltaiset esineet päätyvät lähekkäin. "Upotus" on vain käyttäjän tai kohteen koordinaatit (sijainti) kyseisellä kartalla.

Esimerkki tosielämästä:Musiikkisovelluksessa jazzia, bluesia ja soulia kuunteleva käyttäjä sijoitetaan kartalla näiden genrejen lähelle. Metallia ja punkia kuunteleva käyttäjä olisi täysin eri alueella. Kun uusi jazzalbumi ilmestyy, järjestelmä tarkistaa, ketkä käyttäjät ovat "lähellä" kartalla jazzia ja suosittelee sitä heille.

Miksi tällä on väliä, jos rakennat sovellusta yksin

Jos olet yksin kehittäjä, jopa yksinkertaisen suositusjärjestelmän lisääminen voi muuttaa käyttäjien sitoutumista. Tässä syy:

Käyttäjät viipyvät pidempään.Kun ihmiset näkevät sisältöä, joka tuntuu heille henkilökohtaisesti valitulta, he viettävät enemmän aikaa sovelluksessasi. Ajattele, kuinka jatkat TikTokin vierittämistä, koska se näyttää sinulle jatkuvasti, mistä olet kiinnostunut.
Käyttäjät löytävät enemmän sisältöäsi.Jos sinulla on blogi, jossa on 200 viestiä, useimmat kävijät näkevät vain muutaman viimeisimmän. "Saatat myös pitää" -osio voi näyttää vanhemmat viestit, jotka ovat edelleen tärkeitä jokaiselle lukijalle.
Käyttäjät palaavat useammin.Henkilökohtaiset sähköpostitiivistelmät ("Tässä uutta kiinnostuksen kohteidesi perusteella") antavat ihmisille syyn palata. Näin Medium saa sinut napsauttamaan artikkeleita.

Kuinka itse rakentaa yksi (askel askeleelta)

Tässä on käytännöllinen etenemissuunnitelma, joka ei yllätä sinua:

Aloita seuraamalla käyttäjien tekemistä.Ennen kuin voit suositella mitään, tarvitset tietoja. Seuraa klikkauksia, tykkäyksiä, säästöjä, sivuilla vietettyä aikaa, ostoksia ja kaikkea, mikä on järkevää sovelluksellesi. Jopa yksinkertainen tietokantataulukko, kutenuser_id | item_id | toiminta | aikaleimariittää aloittamiseen.
Aloita yksinkertaisimmalla lähestymistavalla.Älä hyppää suoraan koneoppimiseen. Aloita sanoilla "suosituimmat tuotteet" tai "käyttäjät, jotka ostivat X ostivat myös Y." Pienelle sovellukselle muutama SQL-kysely voi antaa yllättävän hyviä suosituksia.
Siirry kirjastoon, kun olet valmis.PythoninYllätyskirjastotekee yhteistyön suodattamisesta yksinkertaista. Sinulla voi olla toimiva suositusmalli noin 20 koodirivillä.TensorFlow-suositukseton hienoa, jos haluat mennä syvemmälle.
Pidä se tuoreena.Suositukset vanhenevat nopeasti. Määritä viikoittainen työ, jotta voit kouluttaa mallisi uudelleen uusilla tiedoilla. Käyttäjän maku tammikuussa voi olla täysin erilainen maaliskuuhun mennessä.

Jos et halua rakentaa sitä itse, hallitut palvelut selviävät raskaasta nostosta.AWS-muokkausavulla voit syöttää tietojasi ja saada suosituksia takaisin API:n kautta.Googlen suositusten tekoälytekee samaa. Molemmilla on ilmaisia tasoja, jotka ovat tarpeeksi runsaita pienille sovelluksille.

Ensimmäisen suositusjärjestelmän luominen

Seuraa käyttäjän toimintoja

Kirjaa klikkaukset, tykkäykset, ostokset ja käytetty aika

Aloita Simple

"Suosituin" tai "myös ostettu" perusSQL-kyselyillä

Lisää kirjasto

Käytä Pythonin Surprise- tai TensorFlow-suosituksia

Retrain Weekly

Pidä suositukset tuoreina käyttäjien maun muuttuessa

Mittaa mikä toimii

Seuraa suosituksesi napsautussuhteita

Avaimet takeawayt

Sinun ei tarvitse olla datatieteilijä.Yksinkertainen "ihmiset, jotka pitivät X:stä pitivät myös Y:stä" -kysely voi tehdä ihmeitä pienelle sovellukselle.
Aloita siitä, mitä sinulla on.Jopa perusnapsautustiedot riittävät antamaan hyödyllisiä suosituksia.
On ilmaisia työkaluja, jotka tekevät raskaan noston.Kirjastoissa, kuten Surprise, ja hallinnoiduissa palveluissa, kuten AWS Personalize, on ilmaisia tasoja, jotka sopivat täydellisesti yksin kehittäjille.
Pidä se tuoreena.Kouluta mallisi säännöllisesti uudelleen. Vanhentuneet suositukset ovat pahempia kuin ei suosituksia.
Mittaa vaikutus.Seuraa, napsauttavatko käyttäjät suosituksiasi. Jos he eivät, muokkaa lähestymistapaasi.

Johtopäätös

Suositusjärjestelmät eivät ole vain teknologiajättiläisille, joilla on suuria suunnittelutiimejä. Yksinkehittäjänä voit aloittaa jostain niinkin yksinkertaisesta kuin "tämän viikon suosituimmasta" ja siirtyä vähitellen kohti henkilökohtaisia ehdotuksia, jotka perustuvat todellisiin käyttäjätietoihin. Työkalut ovat ilmaisia, kirjastot ovat aloittelijaystävällisiä, ja vaikutus käyttäjien sitoutumiseen voi olla valtava.

Tärkeintä on vain aloittaa. Seuraa käyttäjien käyttäytymistä, kokeile yksinkertaista lähestymistapaa ja iteroi sieltä. Käyttäjäsi huomaavat eron.

Jos haluat lukea lisää, katsoGooglen suositusjärjestelmien opas, AWS-muokkaus, jaYllätyskirjaston dokumentaatio.