Kas netgi yra rekomendacijų sistema?

Žinote, kai „Netflix“ pasiūlo laidą ir pagalvoji: „Iš kur tai sužinojo? Arba kai „Amazon“ parodo jums produktus, kurie jums puikiai tinka? Tai rekomendacijų sistema darbe. Iš esmės tai programinė įranga, kuri žiūri į tai, ką jūs (ir į jus panašūs žmonės) padarėte praeityje, ir naudoja tai, kad atspėtų, ko tikriausiai norėsite toliau.

Geros naujienos? Nereikia būti „Netflix“, kad jį sukurtumėte. Jei esate vienas kūrėjas, kuriantis programą, tinklaraštį ar internetinę parduotuvę, galite pridėti rekomendacijų, kad naudotojai sugrįžtų. Paaiškinkime, kaip šie dalykai iš tikrųjų veikia, paprasta anglų kalba, pateikdami realius pavyzdžius, kuriais galite sekti.

Du pagrindiniai požiūriai (su realiais pavyzdžiais)

Iš tikrųjų už kiekvienos rekomendacijos sistemos slypi tik dvi pagrindinės idėjos. Kai tai suprasi, visa kita yra tik temos variantai.

1. Bendradarbiavimo filtravimas: „Tu taip pat patiko žmonės...“

Taikant šį metodą atsižvelgiama į tai, ką padarė panašūs vartotojai. Tai nerūpikąturinys iš tikrųjų yra. Jis tiesiog pastebi elgesio modelius.

Realaus pasaulio pavyzdys:Tarkime, kad kuriate knygų peržiūros programą. Naudotojui A patiko 1, 2 ir 3 knygos. Naudotojui B patiko 1 ir 2 knygos, bet dar nematė 3 knygos. Bendradarbiaujantis filtravimas sako: „Vartotojui B tikriausiai patiks ir knyga Nr. 3, nes jos skonis toks pat kaip vartotojas A“.

Būtent taip veikia „Spotify“ grojaraštis „Discover Weekly“. Suranda naudotojus, kurių klausymosi įpročiai panašūs į jūsų, tada rekomenduoja jiems patikusias dainas, kurių dar negirdėjote.

2. Turiniu pagrįstas filtravimas: „Kadangi jums patiko šis konkretus dalykas...“

Taikant šį metodą, atsižvelgiama į faktines vartotojo sąveikos ypatybes, tada randama daugiau panašių savybių turinčių dalykų.

Realaus pasaulio pavyzdys:Kuriate receptų programą. Vartotojas nuolat išsaugo vegetariškus makaronų receptus, kurie užtrunka mažiau nei 30 minučių. Turiniu pagrįstas filtravimas rekomenduotų kitus greitus vegetariškus makaronų patiekalus, net jei joks kitas vartotojas jų dar nebandė, nesingredientai ir atributaiatitinka tai, ko šis vartotojas aiškiai teikia pirmenybę.

„YouTube“ „Susijusių vaizdo įrašų“ šoninė juosta veikia taip. Ji peržiūri žymas, pavadinimą ir kategoriją to, ką žiūrite, tada randa vaizdo įrašus su panašiais atributais.

Dviejų tipų rekomendacijos sistemos

👥

Bendradarbiavimo filtravimas
„Tokiems vartotojams kaip jūs taip pat patiko...“ („Spotify“, „Amazon“)

🔍

Turiniu pagrįstas filtravimas
„Kadangi šis elementas turi panašių bruožų...“ („YouTube“, „Netflix“)

🧪

Hibridas (geriausias iš abiejų)
Sujunkite abu, kad pasiektumėte geresnių rezultatų (ką daro dauguma didelių programų)

📈

Remiantis populiarumu (lengviausia pradžia)
„Populiariausia šią savaitę“ – nereikia jokių naudotojo duomenų

⏱️

Atnaujinimai realiuoju laiku
Prisitaikykite akimirksniu, kai naudotojai sąveikauja su jūsų programa

Ką apie įterpimus? (Tai paprasčiau, nei skamba)

Rekomendacijų sistemos vadovėliuose dažnai išgirsite terminą „įterpimai“. Tai skamba bauginančiai, bet idėja yra mirtinai paprasta.

Pagalvokite apie tai taip: įsivaizduokite, kad kiekvienas vartotojas ir kiekvienas elementas jūsų programoje patenka į milžinišką žemėlapį. Vartotojai, kuriems patinka panašūs dalykai, žemėlapyje atsiduria arti vienas kito. Panašūs daiktai taip pat atsiduria arti vienas kito. „Įterpimas“ yra tik vartotojo ar elemento koordinatės (vieta) tame žemėlapyje.

Realaus pasaulio pavyzdys:Muzikos programoje naudotojas, klausantis džiazo, bliuzo ir soulo, žemėlapyje būtų šalia tų žanrų. Vartotojas, kuris klausosi metalo ir panko, būtų visiškai kitoje srityje. Kai pasirodo naujas džiazo albumas, sistema patikrina, kurie vartotojai yra „artimi“ džiazui žemėlapyje ir rekomenduoja jiems jį.

Kodėl tai svarbu, jei kuriate programą vienas

Jei esate vienas kūrėjas, net paprastos rekomendacijų sistemos pridėjimas gali pakeisti naudotojų susidomėjimą. Štai kodėl:

Vartotojai laikosi ilgiau.Kai žmonės mato turinį, kuris atrodo jiems asmeniškai parinktas, jie praleidžia daugiau laiko jūsų programoje. Pagalvokite, kaip nuolat slenkate „TikTok“, nes jis nuolat parodo, kas jums patinka.
Naudotojai atranda daugiau jūsų turinio.Jei turite tinklaraštį su 200 įrašų, dauguma lankytojų matys tik keletą naujausių. Skiltyje „Jums taip pat gali patikti“ gali būti rodomi senesni įrašai, kurie vis dar aktualūs kiekvienam skaitytojui.
Vartotojai grįžta dažniau.Suasmenintos el. laiškų santraukos („Štai kas naujo pagal jūsų pomėgius“) suteikia žmonėms priežastį grįžti. Taip „Medium“ leidžia spustelėti straipsnius.

Kaip iš tikrųjų sukurti vieną (žingsnis po žingsnio)

Štai praktiškas planas, kuris jūsų neužgoš:

Pradėkite stebėdami, ką daro vartotojai.Kad galėtumėte ką nors rekomenduoti, jums reikia duomenų. Stebėkite paspaudimus, mygtukus „Patinka“, išsaugojimus, puslapiuose praleistą laiką, pirkinius ir viską, kas tinka jūsų programai. Net paprasta duomenų bazės lentelė kaipvartotojo_id | item_id | veiksmas | laiko žymapakanka pradėti.
Pradėkite nuo paprasčiausio metodo.Nepereikite tiesiai į mašininį mokymąsi. Pradėkite nuo „populiariausių prekių“ arba „vartotojai, kurie pirko X, taip pat pirko Y“. Mažai programai kelios SQL užklausos gali pateikti stebėtinai geras rekomendacijas.
Kai būsite pasiruošę, eikite į biblioteką.Python'asSiurprizų bibliotekabendradarbiavimo filtravimas tampa paprastas. Galite turėti veikiantį rekomendacinį modelį maždaug 20 kodo eilučių.TensorFlow rekomendacijospuiku, jei norite gilintis.
Laikykite jį šviežią.Rekomendacijos greitai pasensta. Nustatykite savaitės užduotį, kad perkvalifikuotumėte modelį su naujais duomenimis. Vartotojo skonis sausio mėnesį gali būti visiškai kitoks kovo mėnesį.

Jei nenorite jo statyti patys, valdomos paslaugos gali susidoroti su sunkių darbų kėlimu.AWS personalizavimasleidžia pateikti duomenis ir gauti rekomendacijas per API.„Google“ rekomendacijos AIdaro tą patį. Abu turi nemokamus lygius, kurie yra pakankamai turtingi mažoms programoms.

Pirmosios rekomendacijų sistemos kūrimas

Stebėkite vartotojo veiksmus

Užregistruokite paspaudimus, mygtukus „Patinka“, pirkinius ir praleistą laiką

Pradėti paprasta

„Populiariausias“ arba „taip pat pirktas“ su pagrindinėmis SQL užklausomis

Pridėti biblioteką

Naudokite Python's Surprise arba TensorFlow Recommenders

Persitreniruokite kas savaitę

Pasikeitus naudotojų skoniui, nuolat atnaujinkite rekomendacijas

Išmatuokite, kas veikia

Stebėkite rekomendacijų paspaudimų rodiklius

Raktai išsinešti

Jums nereikia būti duomenų mokslininku.Paprasta užklausa „žmonėms, kuriems patiko X patiko ir Y“ gali padaryti stebuklus nedidelei programėlei.
Pradėkite nuo to, ką turite.Net pagrindinių paspaudimų duomenų pakanka naudingoms rekomendacijoms pateikti.
Yra nemokamų įrankių, kurie atlieka sunkius kėlimus.Tokiose bibliotekose kaip „Surprise“ ir valdomose paslaugose, tokiose kaip „AWS Personalize“, yra nemokamos pakopos, puikiai tinkančios solo kūrėjams.
Laikykite jį šviežią.Reguliariai permokykite savo modelį. Pasenusios rekomendacijos yra blogiau nei jokių rekomendacijų.
Išmatuokite poveikį.Stebėkite, ar naudotojai iš tikrųjų spustelėja jūsų rekomendacijas. Jei ne, pakoreguokite savo požiūrį.

Išvada

Rekomendacijų sistemos skirtos ne tik technologijų milžinams, turintiems didžiules inžinierių komandas. Kaip vienas kūrėjas, galite pradėti nuo tokio paprasto dalyko kaip „populiariausias šią savaitę“ ir palaipsniui pereiti prie suasmenintų pasiūlymų, pagrįstų tikrais naudotojo duomenimis. Priemonės yra nemokamos, bibliotekos pritaikytos pradedantiesiems, o poveikis vartotojų įsitraukimui gali būti didžiulis.

Svarbiausia yra tik pradėti. Stebėkite naudotojų elgesį, išbandykite paprastą metodą ir kartokite iš ten. Jūsų vartotojai pastebės skirtumą.

Norėdami daugiau skaityti, peržiūrėkite„Google“ rekomendacijų sistemų vadovas, AWS personalizavimas, irBibliotekos staigmena dokumentacija.