Mi is az az ajánlási rendszer?

Tudod, amikor a Netflix ajánl egy műsort, és azt gondolod: "Honnan tudta?" Vagy amikor az Amazon olyan termékeket mutat meg, amelyek furcsán tökéletesek az Ön számára? Ez egy ajánlási rendszer működik. Ez alapvetően olyan szoftver, amely megvizsgálja, hogy Ön (és a hozzád hasonló emberek) mit csinált a múltban, és ennek alapján kitalálja, mit szeretne majd legközelebb.

A jó hír? Nem kell Netflixnek lenned egy ilyen létrehozásához. Ha egyéni fejlesztőként hoz létre egy alkalmazást, egy blogot vagy egy online áruházat, ajánlásokat adhat hozzá, hogy a felhasználók visszatérjenek. Nézzük meg, hogy ezek a dolgok valójában hogyan működnek, egyszerű angol nyelven, valódi példákkal, amelyeket követhet.

A két fő megközelítés (valódi példákkal)

Valójában csak két alapvető ötlet van minden ajánlási rendszer mögött. Ha ezeket megérted, minden más csak a téma variációja.

1. Együttműködési szűrés: "A hozzád hasonló emberek is kedvelték..."

Ez a megközelítés azt vizsgálja, hogy a hasonló felhasználók mit tettek. Nem számítMia tartalom valójában az. Csak észreveszi a viselkedési mintákat.

Valós példa:Tegyük fel, hogy egy könyvismertető alkalmazást készít. A felhasználó szerette az 1., 2. és 3. könyvet. B felhasználó szerette az 1. és a 2. könyvet, de még nem látta a 3. könyvet. Az együttműködési szűrés azt mondja: "B felhasználó valószínűleg a 3. könyvet is szeretni fogja, mert az A felhasználóéval azonos ízlésű."

Pontosan így működik a Spotify "Discover Weekly" lejátszási listája. Megkeresi az Önéhez hasonló hallgatási szokásokkal rendelkező felhasználókat, majd olyan dalokat ajánl, amelyeket szerettek, és amelyeket még nem hallott.

2. Tartalom alapú szűrés: "Mert tetszett ez a konkrét dolog..."

Ez a megközelítés megvizsgálja a felhasználó interakciójának tényleges jellemzőit, majd további hasonló tulajdonságokkal rendelkező dolgokat talál.

Valós példa:Egy receptalkalmazást készítesz. A felhasználó folyamatosan menti a 30 percnél rövidebb vegetáriánus tésztarecepteket. A tartalom alapú szűrés más gyors vegetáriánus tésztaételeket javasolna, még akkor is, ha más felhasználó még nem kóstolta, mert aösszetevők és tulajdonságokmegegyezik azzal, amit ez a felhasználó egyértelműen preferál.

A YouTube „Kapcsolódó videók” oldalsávja így működik. Megnézi a címkéket, a címet és a kategóriát, amit néz, majd megkeresi a hasonló attribútumokkal rendelkező videókat.

Kétféle ajánlórendszer

👥

Együttműködési szűrés
"A hozzád hasonló felhasználók is élvezték..." (Spotify, Amazon)

🔍

Tartalom alapú szűrés
"Mert ez az elem hasonló tulajdonságokkal rendelkezik..." (YouTube, Netflix)

🧪

Hibrid (mindkettő legjobbja)
A jobb eredmények érdekében kombinálja mindkettőt (amit a legtöbb nagy alkalmazás csinál)

📈

Népszerűség alapú (legkönnyebb kezdés)
„A legnépszerűbb ezen a héten” – nincs szükség felhasználói adatokra

⏱️

Valós idejű frissítések
Azonnal alkalmazkodhat, ahogy a felhasználók interakcióba lépnek az alkalmazással

Mi a helyzet a beágyazásokkal? (Egyszerűbb, mint amilyennek hangzik)

A „beágyazás” kifejezést gyakran hallani fogja az ajánlási rendszer oktatóanyagaiban. Félelmetesen hangzik, de az ötlet halálosan egyszerű.

Képzeld el a következőképpen: képzeld el, hogy az alkalmazásod minden felhasználója és minden eleme egy óriási térképre kerül. A hasonló dolgokat kedvelő felhasználók szorosan egymás mellé kerülnek a térképen. A hasonló tárgyak is közel kerülnek egymáshoz. A „beágyazás” csak egy felhasználó vagy elem koordinátái (helye) a térképen.

Valós példa:Egy zenei alkalmazásban a jazzt, bluest és soult hallgató felhasználó ezeknek a műfajoknak a közelébe kerül a térképen. Az a felhasználó, aki metalt és punkot hallgat, teljesen más területen lenne. Amikor megjelenik egy új jazzalbum, a rendszer ellenőrzi, hogy mely felhasználók vannak "közel" a jazzhez a térképen, és ajánlja nekik azt.

Miért számít ez, ha egyedül készít egy alkalmazást

Ha egyéni fejlesztő vagy, még egy egyszerű ajánlási rendszer hozzáadása is megváltoztathatja a felhasználók érdeklődését. Íme, miért:

A felhasználók tovább maradnak.Amikor az emberek olyan tartalmat látnak, amelyet személyesen választottak ki számukra, több időt töltenek az alkalmazásban. Gondolja át, hogyan görgeti tovább a TikTok-ot, mert folyamatosan megmutatja, hogy mihez is szeretne.
A felhasználók több tartalmat fedeznek fel.Ha van egy 200 bejegyzést tartalmazó blogod, a legtöbb látogató csak a legfrissebbet fogja látni. A „Neked is tetszeni lehet” részben olyan régebbi bejegyzések jelennek meg, amelyek továbbra is relevánsak minden olvasó számára.
A felhasználók gyakrabban térnek vissza.A személyre szabott e-mail-összefoglalók ("Íme, az érdeklődési köre alapján az újdonságok") okot adnak az embereknek a visszatérésre. Így a Médium folyamatosan rákattint a cikkekre.

Hogyan építsünk egyet (lépésről lépésre)

Íme egy gyakorlati útiterv, amely nem fog túlterhelni:

Kezdje a felhasználók tevékenységének nyomon követésével.Mielőtt bármit is javasolhatna, adatokra van szüksége. Kövesse nyomon a kattintásokat, a tetszésnyilvánításokat, a mentéseket, az oldalakon eltöltött időt, a vásárlásokat, mindazt, ami az alkalmazás szempontjából értelmes. Még egy egyszerű adatbázistábla is, mint pluser_id | item_id | akció | időbélyegelég a kezdéshez.
Kezdje a legegyszerűbb megközelítéssel.Ne ugorjon közvetlenül a gépi tanulásra. Kezdje a „legnépszerűbb tételekkel” vagy „azok a felhasználók, akik X vásároltak, Y is vásároltak”. Egy kis alkalmazás esetében néhány SQL-lekérdezés meglepően jó ajánlásokat adhat.
Ha készen áll, végezzen könyvtárat.PythonMeglepetés könyvtára kollaboratív szűrést nagyon egyszerűvé teszi. Körülbelül 20 kódsorból állhat egy működő ajánlási modell.TensorFlow ajánlóknagyszerű, ha mélyebbre akarsz menni.
Tartsa frissen.Az ajánlások gyorsan elavulnak. Állítson be egy heti feladatot, amellyel új adatokkal taníthatja át modelljét. Egy felhasználó januári ízlése márciusra teljesen más lehet.

Ha nem szeretné saját maga megépíteni, a menedzselt szolgáltatások megbírják a nehéz tehereket.AWS személyre szabásalehetővé teszi az adatok betáplálását, és egy API-n keresztül ajánlások visszakérését.Google Recommendations AIugyanazt csinálja. Mindkettő ingyenes szintekkel rendelkezik, amelyek elég nagyvonalúak a kis alkalmazásokhoz.

Az első ajánlási rendszer felépítése

Kövesse nyomon a felhasználói műveleteket

Naplózza a kattintásokat, a kedveléseket, a vásárlásokat és az eltöltött időt

Kezdje Egyszerűen

"Legnépszerűbb" vagy "vásárolt is" alapvető SQL lekérdezésekkel

Könyvtár hozzáadása

Használja a Python Surprise vagy TensorFlow ajánlóit

Retrain Weekly

Tartsa naprakészen az ajánlásokat a felhasználók ízlésének változásával

Mérje meg, mi működik

Kövesse nyomon az ajánlások átkattintási arányát

Kulcs elvitelek

Nem kell adattudósnak lenned.Egy egyszerű "azoknak, akiknek X tetszett, az Y is tetszett" lekérdezés csodákra képes egy kis alkalmazással.
Kezdje azzal, amije van.Még az alapvető kattintási adatok is elegendőek ahhoz, hogy hasznos javaslatokat tegyenek.
Vannak ingyenes szerszámok, amelyek elvégzik a nehéz emelést.Az olyan könyvtárak, mint a Surprise és a felügyelt szolgáltatások, mint az AWS Personalize, ingyenes szintekkel rendelkeznek, amelyek tökéletesek az egyéni fejlesztők számára.
Tartsa frissen.Rendszeresen képezze át modelljét. Az elavult ajánlások rosszabbak, mint az ajánlások hiánya.
Mérje meg a hatást.Kövesse nyomon, hogy a felhasználók valóban rákattintanak-e az ajánlásaira. Ha nem, módosítsa a megközelítést.

Következtetés

Az ajánlási rendszerek nem csak a hatalmas mérnöki csapatokkal rendelkező technológiai óriások számára készültek. Egyedülálló fejlesztőként valami olyan egyszerűvel kezdheti, mint a „legnépszerűbb ezen a héten”, és fokozatosan eljuthat a valós felhasználói adatokon alapuló, személyre szabott javaslatokhoz. Az eszközök ingyenesek, a könyvtárak kezdőbarátak, és a felhasználói elköteleződésre gyakorolt hatás óriási lehet.

A kulcs az, hogy csak elkezdjük. Kövesse nyomon a felhasználói viselkedést, próbáljon ki egy egyszerű megközelítést, és onnan iteráljon. A felhasználók észreveszik a különbséget.

További olvasnivalóért nézze megGoogle Recommendation Systems Guide, AWS személyre szabása, és aMeglepetés könyvtári dokumentáció.