Što je uopće sustav preporuka?

Znate kada Netflix predloži seriju i pomislite: "Kako je znao?" Ili kad vam Amazon pokaže proizvode koji su čudno savršeni za vas? To je sustav preporuka na djelu. To je u osnovi softver koji gleda što ste vi (i ljudi poput vas) radili u prošlosti i koristi to da pogodi što ćete vjerojatno željeti sljedeće.

dobre vijesti? Ne morate biti Netflix da biste ga napravili. Ako ste samostalni programer koji gradi aplikaciju, blog ili internetsku trgovinu, možete dodati preporuke kako bi se vaši korisnici vraćali. Razjasnimo kako te stvari zapravo funkcioniraju, na jednostavnom engleskom jeziku, sa stvarnim primjerima koje možete slijediti.

Dva glavna pristupa (sa stvarnim primjerima)

Postoje zapravo samo dvije temeljne ideje iza svakog sustava preporuke. Kad ih jednom shvatite, sve ostalo su samo varijacije na temu.

1. Zajedničko filtriranje: "Ljudi poput vas također su lajkali..."

Ovaj pristup gleda na ono što su slični korisnici učinili. Nije brigaštosadržaj zapravo jest. Ono samo primjećuje obrasce u ponašanju.

Primjer iz stvarnog svijeta:Recimo da gradite aplikaciju za recenzije knjiga. Korisnik A volio je knjige #1, #2 i #3. Korisniku B su se svidjele knjige #1 i #2, ali još nije vidio knjigu #3. Suradničko filtriranje kaže: "Korisniku B vjerojatno će se svidjeti i knjiga #3 jer ima isti ukus kao korisnik A."

Upravo tako funkcionira Spotifyjeva lista za reprodukciju "Discover Weekly". Pronalazi korisnike sa sličnim navikama slušanja kao i vaše, a zatim preporučuje pjesme koje su im se svidjele, a vi još niste čuli.

2. Filtriranje na temelju sadržaja: "Zato što vam se svidjela ova konkretna stvar..."

Ovaj pristup gleda na stvarne karakteristike onoga s čime je korisnik bio u interakciji, a zatim pronalazi više stvari sa sličnim osobinama.

Primjer iz stvarnog svijeta:Izrađujete aplikaciju za recepte. Korisnik stalno sprema recepte za vegetarijansku tjesteninu za koje je potrebno manje od 30 minuta. Filtriranje na temelju sadržaja preporučilo bi druga brza vegetarijanska jela od tjestenine, čak i ako ih nijedan drugi korisnik još nije probao, jersastojcima i atributimaodgovaraju onome što ovaj korisnik jasno preferira.

Bočna traka YouTubea "Povezani videozapisi" funkcionira na ovaj način. Pregledava oznake, naslov i kategoriju onoga što gledate, a zatim pronalazi videozapise sa sličnim atributima.

Dvije vrste sustava preporuka

👥

Suradničko filtriranje
"Korisnici poput vas također su uživali..." (Spotify, Amazon)

🔍

Filtriranje na temelju sadržaja
"Zato što ova stavka ima slične osobine..." (YouTube, Netflix)

🧪

Hibrid (najbolje od oba)
Kombinirajte oboje za bolje rezultate (što većina velikih aplikacija radi)

📈

Na temelju popularnosti (najlakši početak)
"Najpopularnije ovaj tjedan" - nisu potrebni korisnički podaci

⏱️

Ažuriranja u stvarnom vremenu
Trenutačno se prilagodite kako korisnici stupaju u interakciju s vašom aplikacijom

Što je s ugrađivanjem? (Jednostavnije je nego što zvuči)

Često ćete čuti izraz "ugradnje" u vodičima za sustav preporuka. Zvuči zastrašujuće, ali ideja je krajnje jednostavna.

Zamislite to ovako: zamislite da se svaki korisnik i svaka stavka u vašoj aplikaciji postavi na ogromnu kartu. Korisnici koji vole slične stvari završavaju blizu zajedno na karti. Predmeti koji su slični također završe blizu jedan drugome. "Ugrađivanje" su samo koordinate (lokacija) korisnika ili stavke na toj karti.

Primjer iz stvarnog svijeta:U glazbenoj aplikaciji, korisnik koji sluša jazz, blues i soul bio bi smješten blizu tih žanrova na karti. Korisnik koji sluša metal i punk bio bi na potpuno drugom području. Kad izađe novi jazz album, sustav na karti provjerava koji su korisnici "blizu" jazza i to im preporučuje.

Zašto je ovo važno ako aplikaciju izrađujete sami

Ako ste samostalni razvojni programer, dodavanje čak i jednostavnog sustava preporuka može promijeniti igru za zadržavanje interesa korisnika. Evo zašto:

Korisnici ostaju dulje.Kad ljudi vide sadržaj za koji se čini da je osobno odabran za njih, provode više vremena u vašoj aplikaciji. Razmislite o tome kako neprestano skrolate po TikToku jer vam neprestano pokazuje što vas zanima.
Korisnici otkrivaju više vašeg sadržaja.Ako imate blog s 200 postova, većina će posjetitelja vidjeti samo nekoliko posljednjih. Odjeljak "Moglo bi vam se također svidjeti" može prikazati starije postove koji su još uvijek relevantni svakom čitatelju.
Korisnici se češće vraćaju.Personalizirani sažetci e-pošte ("Evo što je novo na temelju vaših interesa") daju ljudima razlog da se vrate. Ovako vas Medium tjera da klikate na članke.

Kako ga zapravo izgraditi (korak po korak)

Evo praktičnog plana koji vas neće opteretiti:

Započnite praćenjem onoga što korisnici rade.Prije nego što bilo što preporučite, potrebni su vam podaci. Pratite klikove, lajkove, uštede, vrijeme provedeno na stranicama, kupnje, što god ima smisla za vašu aplikaciju. Čak i jednostavna tablica baze podataka poputkorisnički_id | item_id | djelovanje | vremenska oznakadovoljno je za početak.
Započnite s najjednostavnijim pristupom.Nemojte odmah skočiti na strojno učenje. Započnite s "najpopularnijim artiklima" ili "korisnici koji su kupili X također su kupili Y." Za malu aplikaciju, nekoliko SQL upita može dati iznenađujuće dobre preporuke.
Diplomirajte u knjižnici kada budete spremni.PythonovaKnjižnica iznenađenjačini kolaborativno filtriranje potpuno jednostavnim. Možete imati radni model preporuke u oko 20 redaka koda.Preporučitelji TensorFlowasuper je ako želite ići dublje.
Održavajte ga svježim.Preporuke brzo zastarijevaju. Postavite tjedni posao za ponovno uvježbavanje vašeg modela s novim podacima. Ukus korisnika u siječnju mogao bi biti potpuno drugačiji do ožujka.

Ako ga ne želite sami izgraditi, upravljane usluge mogu podnijeti težak zadatak.AWS Personalizirajomogućuje unos podataka i dobivanje preporuka putem API-ja.Googleove preporuke AIradi istu stvar. Oba imaju besplatne razine koje su dovoljno izdašne za male aplikacije.

Izgradnja vašeg prvog sustava preporuka

Pratite radnje korisnika

Bilježite klikove, lajkove, kupnje i potrošeno vrijeme

Počnite jednostavno

"Najpopularnije" ili "također kupljeno" s osnovnim SQL upitima

Dodaj biblioteku

Upotrijebite Python Surprise ili TensorFlow Recommenders

Preobuka Tjedno

Održavajte preporuke svježima kako se ukusi korisnika mijenjaju

Izmjerite što funkcionira

Pratite stope klikanja na svoje preporuke

Ključni podaci za van

Ne morate biti podatkovni znanstvenik.Jednostavan upit "ljudi koji su voljeli X također su voljeli Y" mogu učiniti čuda za malu aplikaciju.
Počnite s onim što imate.Čak su i osnovni podaci o klikovima dovoljni za dobivanje korisnih preporuka.
Postoje besplatni alati koji rade teške poslove.Knjižnice poput Surprise i upravljane usluge poput AWS Personalize imaju besplatne razine savršene za solo programere.
Održavajte ga svježim.Redovito ponovno obučavajte svoj model. Zastarjele preporuke gore su od nepostojanja preporuka.
Izmjerite učinak.Pratite kliknu li korisnici stvarno na vaše preporuke. Ako ne, prilagodite svoj pristup.

Zaključak

Sustavi preporuka nisu samo za tehnološke divove s velikim inženjerskim timovima. Kao solo programer, možete započeti s nečim tako jednostavnim kao što je "najpopularnije ovaj tjedan" i postupno napredovati do personaliziranih prijedloga koji se pokreću stvarnim korisničkim podacima. Alati su besplatni, knjižnice prilagođene početnicima, a utjecaj na angažman korisnika može biti ogroman.

Ključ je samo početi. Pratite ponašanje korisnika, isprobajte jednostavan pristup i iterirajte od tamo. Vaši će korisnici primijetiti razliku.

Za daljnje čitanje pogledajteGoogleov vodič za sustave preporuka, AWS Personaliziraj, iDokumentacija knjižnice iznenađenja.