सिफ़ारिश प्रणाली क्या है?

आप जानते हैं कि जब नेटफ्लिक्स कोई शो सुझाता है और आप सोचते हैं, "यह कैसे पता चला?" या जब अमेज़ॅन आपको ऐसे उत्पाद दिखाता है जो आपके लिए अजीब तरह से सही हैं? यह कार्यस्थल पर एक सिफ़ारिश प्रणाली है। यह मूल रूप से एक सॉफ्टवेयर है जो यह देखता है कि आपने (और आपके जैसे लोगों ने) अतीत में क्या किया है, और इसका उपयोग यह अनुमान लगाने के लिए करता है कि आप शायद आगे क्या चाहते हैं।

अच्छी खबर? इसे बनाने के लिए आपको नेटफ्लिक्स होने की आवश्यकता नहीं है। यदि आप एक ऐप, ब्लॉग या ऑनलाइन स्टोर बनाने वाले एकल डेवलपर हैं, तो आप अपने उपयोगकर्ताओं को वापस लाने के लिए अनुशंसाएँ जोड़ सकते हैं। आइए स्पष्ट करें कि ये चीजें वास्तव में कैसे काम करती हैं, सरल अंग्रेजी में, वास्तविक उदाहरणों के साथ जिनका आप अनुसरण कर सकते हैं।

दो मुख्य दृष्टिकोण (वास्तविक उदाहरणों के साथ)

प्रत्येक अनुशंसा प्रणाली के पीछे वास्तव में केवल दो मूल विचार होते हैं। एक बार जब आप इन्हें समझ लेते हैं, तो बाकी सब कुछ विषय पर भिन्नता मात्र है।

1. सहयोगात्मक फ़िल्टरिंग: "आप जैसे लोगों को भी पसंद आया..."

यह दृष्टिकोण देखता है कि समान उपयोगकर्ताओं ने क्या किया है। इसकी कोई परवाह नहीं हैक्यासामग्री वास्तव में है. यह सिर्फ व्यवहार में पैटर्न को नोटिस करता है।

वास्तविक दुनिया का उदाहरण:मान लीजिए कि आप एक पुस्तक समीक्षा ऐप बना रहे हैं। उपयोगकर्ता A को #1, #2, और #3 पुस्तकें पसंद आईं। उपयोगकर्ता बी को पुस्तकें #1 और #2 पसंद हैं लेकिन उसने अभी तक पुस्तक #3 नहीं देखी है। सहयोगात्मक फ़िल्टरिंग कहती है, "उपयोगकर्ता बी को संभवतः पुस्तक #3 भी पसंद आएगी, क्योंकि उनका स्वाद उपयोगकर्ता ए के समान ही है।"

Spotify की "डिस्कवर वीकली" प्लेलिस्ट बिल्कुल इसी तरह काम करती है। यह आपके समान सुनने की आदतों वाले उपयोगकर्ताओं को ढूंढता है, फिर उन गानों की अनुशंसा करता है जो उन्हें पसंद हैं जो आपने अभी तक नहीं सुने हैं।

2. सामग्री-आधारित फ़िल्टरिंग: "क्योंकि आपको यह विशिष्ट चीज़ पसंद आई..."

यह दृष्टिकोण उपयोगकर्ता ने किसके साथ इंटरैक्ट किया है उसकी वास्तविक विशेषताओं को देखता है, फिर समान विशेषताओं के साथ और अधिक सामग्री ढूंढता है।

वास्तविक दुनिया का उदाहरण:आप एक रेसिपी ऐप बना रहे हैं। एक उपयोगकर्ता शाकाहारी पास्ता व्यंजनों को सहेजता रहता है जिनमें 30 मिनट से कम समय लगता है। सामग्री-आधारित फ़िल्टरिंग अन्य त्वरित शाकाहारी पास्ता व्यंजनों की अनुशंसा करेगी, भले ही किसी अन्य उपयोगकर्ता ने अभी तक उन्हें आज़माया न हो, क्योंकिसामग्री और गुणयह उपयोगकर्ता जो स्पष्ट रूप से पसंद करता है उसका मिलान करें।

YouTube का "संबंधित वीडियो" साइडबार इस प्रकार काम करता है। यह आप जो देख रहे हैं उसके टैग, शीर्षक और श्रेणी को देखता है, फिर समान विशेषताओं वाले वीडियो ढूंढता है।

दो प्रकार की अनुशंसा प्रणालियाँ

👥

सहयोगी को छानने
"आप जैसे उपयोगकर्ताओं ने भी आनंद लिया..." (Spotify, Amazon)

🔍

सामग्री-आधारित फ़िल्टरिंग
"क्योंकि इस आइटम में समान गुण हैं..." (यूट्यूब, नेटफ्लिक्स)

🧪

हाइब्रिड (दोनों में सर्वश्रेष्ठ)
बेहतर परिणामों के लिए दोनों को मिलाएं (अधिकांश बड़े ऐप्स क्या करते हैं)

📈

लोकप्रियता-आधारित (सबसे आसान शुरुआत)
"इस सप्ताह सर्वाधिक लोकप्रिय" - किसी उपयोगकर्ता डेटा की आवश्यकता नहीं है

⏱️

वास्तविक समय अपडेट
जैसे ही उपयोगकर्ता आपके ऐप के साथ इंटरैक्ट करते हैं, तुरंत अपनाएं

एंबेडिंग्स के बारे में क्या? (यह जितना लगता है उससे कहीं अधिक सरल है)

आप अनुशंसा प्रणाली ट्यूटोरियल में "एम्बेडिंग" शब्द बहुत सुनेंगे। यह डराने वाला लगता है, लेकिन यह विचार बिल्कुल सरल है।

इसे इस तरह से सोचें: कल्पना करें कि आपके ऐप में प्रत्येक उपयोगकर्ता और प्रत्येक आइटम एक विशाल मानचित्र पर रखा गया है। जो उपयोगकर्ता समान चीज़ें पसंद करते हैं वे मानचित्र पर एक-दूसरे के करीब आ जाते हैं। जो वस्तुएँ समान होती हैं वे भी अंततः एक-दूसरे के करीब आ जाती हैं। "एम्बेडिंग" उस मानचित्र पर किसी उपयोगकर्ता या आइटम के निर्देशांक (स्थान) मात्र है।

वास्तविक दुनिया का उदाहरण:एक संगीत ऐप में, जैज़, ब्लूज़ और सोल सुनने वाले उपयोगकर्ता को मानचित्र पर उन शैलियों के पास रखा जाएगा। मेटल और पंक सुनने वाला उपयोगकर्ता पूरी तरह से अलग क्षेत्र में होगा। जब कोई नया जैज़ एल्बम आता है, तो सिस्टम जाँचता है कि कौन से उपयोगकर्ता मानचित्र पर जैज़ के "करीब" हैं और उन्हें इसकी अनुशंसा करता है।

यदि आप अकेले कोई ऐप बना रहे हैं तो यह क्यों मायने रखता है

यदि आप एक एकल डेवलपर हैं, तो एक साधारण अनुशंसा प्रणाली जोड़ना भी उपयोगकर्ताओं को जोड़े रखने के लिए गेम-चेंजर हो सकता है। उसकी वजह यहाँ है:

उपयोगकर्ता अधिक समय तक टिके रहते हैं।जब लोग ऐसी सामग्री देखते हैं जो उन्हें व्यक्तिगत रूप से उनके लिए चुनी गई लगती है, तो वे आपके ऐप में अधिक समय बिताते हैं। इस बारे में सोचें कि आप टिकटॉक को कैसे स्क्रॉल करते रहते हैं क्योंकि यह आपको वही दिखाता रहता है जिसमें आप रुचि रखते हैं।
उपयोगकर्ता आपकी अधिक सामग्री खोजते हैं.यदि आपके पास 200 पोस्ट वाला ब्लॉग है, तो अधिकांश विज़िटर केवल नवीनतम कुछ ही देखेंगे। एक "आपको यह भी पसंद आ सकता है" अनुभाग पुराने पोस्ट दिखा सकता है जो अभी भी प्रत्येक पाठक के लिए प्रासंगिक हैं।
उपयोगकर्ता अधिक बार वापस आते हैं.वैयक्तिकृत ईमेल डाइजेस्ट ("आपकी रुचियों के आधार पर यहां बताया गया है कि नया क्या है") लोगों को वापस लौटने का कारण देते हैं। इस तरह मीडियम आपको लेखों पर क्लिक कराता रहता है।

वास्तव में एक कैसे बनाएं (कदम दर कदम)

यहां एक व्यावहारिक रोडमैप है जो आपको प्रभावित नहीं करेगा:

उपयोगकर्ता क्या करते हैं, इस पर नज़र रखने से शुरुआत करें।इससे पहले कि आप किसी चीज़ की अनुशंसा कर सकें, आपको डेटा की आवश्यकता होगी। क्लिक, लाइक, सेव, पेजों पर बिताया गया समय, खरीदारी, जो भी आपके ऐप के लिए समझ में आता है, उसे ट्रैक करें। यहाँ तक कि एक साधारण डेटाबेस तालिका भीउपयोगकर्ता_आईडी | आइटम_आईडी | कार्रवाई | TIMESTAMPशुरू करने के लिए पर्याप्त है.
सबसे सरल दृष्टिकोण से शुरुआत करें.सीधे मशीन लर्निंग पर न जाएं। "सबसे लोकप्रिय आइटम" या "जिन उपयोगकर्ताओं ने X खरीदा, उन्होंने Y भी खरीदा" से प्रारंभ करें। एक छोटे ऐप के लिए, कुछ SQL क्वेरीज़ आश्चर्यजनक रूप से अच्छी अनुशंसाएँ प्रदान कर सकती हैं।
जब आप तैयार हों तो किसी पुस्तकालय में दाखिला लें।अजगर काआश्चर्य पुस्तकालयसहयोगात्मक फ़िल्टरिंग को अत्यंत सरल बना देता है। आपके पास कोड की लगभग 20 पंक्तियों में एक कार्यशील अनुशंसा मॉडल हो सकता है।टेन्सरफ्लो अनुशंसाकर्तायदि आप गहराई तक जाना चाहते हैं तो यह बहुत अच्छा है।
इसे ताज़ा रखें.सिफ़ारिशें जल्दी पुरानी हो जाती हैं. अपने मॉडल को नए डेटा के साथ पुनः प्रशिक्षित करने के लिए एक साप्ताहिक कार्य सेट करें। जनवरी में उपयोगकर्ता का स्वाद मार्च तक पूरी तरह से अलग हो सकता है।

यदि आप इसे स्वयं नहीं बनाना चाहते हैं, तो प्रबंधित सेवाएँ भारी भारोत्तोलन को संभाल सकती हैं।एडब्ल्यूएस वैयक्तिकृतआपको अपना डेटा फ़ीड करने और एपीआई के माध्यम से अनुशंसाएँ वापस प्राप्त करने की सुविधा देता है।Google की अनुशंसाएँ AIवही काम करता है. दोनों में निःशुल्क टियर हैं जो छोटे ऐप्स के लिए काफी उदार हैं।

अपनी पहली अनुशंसा प्रणाली का निर्माण

उपयोगकर्ता गतिविधियों को ट्रैक करें

क्लिक, पसंद, खरीदारी और बिताया गया समय लॉग करें

सरल शुरुआत करें

बुनियादी SQL प्रश्नों के साथ "सबसे लोकप्रिय" या "खरीदा भी"।

एक लाइब्रेरी जोड़ें

Python's Surprise या TensorFlow अनुशंसाकर्ताओं का उपयोग करें

साप्ताहिक पुनः प्रशिक्षण

उपयोगकर्ता की पसंद बदलने पर सिफ़ारिशों को ताज़ा रखें

मापें कि क्या काम करता है

अपनी अनुशंसाओं पर क्लिक-थ्रू दरों को ट्रैक करें

चाबी छीनना

आपको डेटा वैज्ञानिक बनने की ज़रूरत नहीं है.एक सरल "जिन लोगों ने X को पसंद किया उन्हें भी Y पसंद आया" क्वेरी एक छोटे ऐप के लिए अद्भुत काम कर सकती है।
जो आपके पास है उससे शुरुआत करें.यहां तक कि बुनियादी क्लिक डेटा भी उपयोगी अनुशंसाओं को सशक्त बनाने के लिए पर्याप्त है।
ऐसे मुफ़्त उपकरण हैं जो भारी सामान उठाने का काम करते हैं।सरप्राइज़ जैसी लाइब्रेरी और AWS पर्सनलाइज़ जैसी प्रबंधित सेवाओं में एकल डेवलपर्स के लिए निःशुल्क टियर हैं।
इसे ताज़ा रखें.अपने मॉडल को नियमित रूप से पुनः प्रशिक्षित करें। बासी सिफ़ारिशें बिना सिफ़ारिशों से भी बदतर हैं।
प्रभाव को मापें.ट्रैक करें कि क्या उपयोगकर्ता वास्तव में आपकी अनुशंसाओं पर क्लिक करते हैं। यदि वे नहीं करते हैं, तो अपने दृष्टिकोण में बदलाव करें।

निष्कर्ष

अनुशंसा प्रणालियाँ केवल विशाल इंजीनियरिंग टीमों वाले तकनीकी दिग्गजों के लिए नहीं हैं। एक एकल डेवलपर के रूप में, आप "इस सप्ताह सबसे लोकप्रिय" जैसी सरल चीज़ से शुरुआत कर सकते हैं और धीरे-धीरे वास्तविक उपयोगकर्ता डेटा द्वारा संचालित वैयक्तिकृत सुझावों तक पहुंच सकते हैं। उपकरण मुफ़्त हैं, लाइब्रेरी शुरुआती-अनुकूल हैं, और उपयोगकर्ता सहभागिता पर प्रभाव बहुत बड़ा हो सकता है।

मुख्य बात बस शुरुआत करना है। उपयोगकर्ता के व्यवहार को ट्रैक करें, एक सरल दृष्टिकोण आज़माएं और वहां से पुनरावृत्त करें। आपके उपयोगकर्ता अंतर देखेंगे.

आगे पढ़ने के लिए, देखेंGoogle की अनुशंसा प्रणाली मार्गदर्शिका, एडब्ल्यूएस वैयक्तिकृत, और यहआश्चर्य पुस्तकालय दस्तावेज़ीकरण.