Kas pat ir ieteikumu sistēma?

Jūs zināt, kad Netflix iesaka šovu un jūs domājat: "Kā tas uzzināja?" Vai arī tad, kad Amazon jums parāda produktus, kas jums ir dīvaini ideāli piemēroti? Tā ir ieteikumu sistēma darbā. Būtībā tā ir programmatūra, kas aplūko to, ko jūs (un tādi cilvēki kā jūs) esat darījuši pagātnē, un izmanto to, lai uzminētu, ko jūs, iespējams, vēlēsities tālāk.

Labās ziņas? Lai to izveidotu, jums nav jābūt Netflix. Ja esat viens izstrādātājs, kas veido lietotni, emuāru vai tiešsaistes veikalu, varat pievienot ieteikumus, lai lietotāji atgrieztos. Noskaidrosim, kā šīs lietas patiesībā darbojas, vienkāršā angļu valodā ar reāliem piemēriem, kuriem varat sekot.

Divas galvenās pieejas (ar reāliem piemēriem)

Katras ieteikumu sistēmas pamatā ir tikai divas galvenās idejas. Kad jūs tos saprotat, viss pārējais ir tikai tēmas variācijas.

1. Sadarbības filtrēšana: "Patika arī tādiem cilvēkiem kā jūs..."

Šī pieeja aplūko līdzīgu lietotāju paveikto. Tas ir vienalgakosaturs patiesībā ir. Tas vienkārši pamana uzvedības modeļus.

Reālās pasaules piemērs:Pieņemsim, ka veidojat grāmatu apskatu lietotni. Lietotājam A patika 1., 2. un 3. grāmata. Lietotājam B patika 1. un 2. grāmata, taču viņš vēl nav redzējis 3. grāmatu. Sadarbības filtrēšana saka: "Lietotājam B, iespējams, patiks arī 3. grāmata, jo tai ir tāda pati garša kā lietotājam A."

Tieši šādi darbojas Spotify atskaņošanas saraksts "Discover Weekly". Tas atrod lietotājus ar līdzīgiem klausīšanās paradumiem kā jums, un pēc tam iesaka dziesmas, kuras viņiem patika un kuras jūs vēl neesat dzirdējis.

2. Satura filtrēšana: "Jo jums patika šī konkrētā lieta..."

Šī pieeja aplūko faktiskās īpašības tam, ar ko lietotājs ir mijiedarbojies, un pēc tam atrod citus materiālus ar līdzīgām iezīmēm.

Reālās pasaules piemērs:Jūs veidojat recepšu lietotni. Lietotājs turpina saglabāt veģetāro makaronu receptes, kas aizņem mazāk nekā 30 minūtes. Satura filtrēšana varētu ieteikt citus ātri pagatavojamos veģetāros makaronu ēdienus, pat ja neviens cits lietotājs tos vēl nav mēģinājis, josastāvdaļas un atribūtiatbilst tam, ko šis lietotājs nepārprotami dod priekšroku.

YouTube sānjosla “Saistītie videoklipi” darbojas šādi. Tas aplūko skatītā satura atzīmes, nosaukumu un kategoriju, pēc tam atrod videoklipus ar līdzīgiem atribūtiem.

Divu veidu ieteikumu sistēmas

👥

Sadarbības filtrēšana
"Arī tādiem lietotājiem kā jūs patika..." (Spotify, Amazon)

🔍

Satura filtrēšana
"Tā kā šim vienumam ir līdzīgas iezīmes..." (YouTube, Netflix)

🧪

Hibrīds (labākais no abiem)
Apvienojiet abus, lai iegūtu labākus rezultātus (ko dara lielākā daļa lielo lietotņu)

📈

Uz popularitāti balstīta (vieglākais sākums)
“Šonedēļ populārākais” — lietotāja dati nav nepieciešami

⏱️

Reāllaika atjauninājumi
Pielāgojieties uzreiz, kad lietotāji mijiedarbojas ar jūsu lietotni

Kas par iegulšanu? (Tas ir vienkāršāk, nekā izklausās)

Jūs bieži dzirdēsit terminu “iegulšana” ieteikumu sistēmu apmācībās. Tas izklausās biedējoši, taču ideja ir pavisam vienkārša.

Padomājiet par to šādi: iedomājieties, ka katrs lietotājs un katrs vienums jūsu lietotnē tiek ievietots milzīgā kartē. Lietotāji, kuriem patīk līdzīgas lietas, kartē nonāk cieši blakus. Līdzīgi priekšmeti arī nonāk tuvu viens otram. "Iegulšana" ir tikai lietotāja vai vienuma koordinātas (atrašanās vieta) šajā kartē.

Reālās pasaules piemērs:Mūzikas lietotnē lietotājs, kurš klausās džezu, blūzu un soulmūziku, tiks novietots kartē blakus šiem žanriem. Lietotājs, kurš klausās metālu un panku, būtu pavisam citā jomā. Kad iznāk jauns džeza albums, sistēma pārbauda, kuri lietotāji kartē ir "tuvi" džezam, un iesaka viņiem to.

Kāpēc tas ir svarīgi, ja veidojat lietotni viens

Ja esat viens izstrādātājs, pat vienkāršas ieteikumu sistēmas pievienošana var mainīt lietotāju interesi. Lūk, kāpēc:

Lietotāji paliek ilgāk.Kad lietotāji redz saturu, kas viņiem šķiet personiski izvēlēts, viņi pavada vairāk laika jūsu lietotnē. Padomājiet par to, kā turpināt ritināt TikTok, jo tas nepārtraukti parāda, kas jums patīk.
Lietotāji atklāj vairāk jūsu satura.Ja jums ir emuārs ar 200 ziņām, lielākā daļa apmeklētāju redzēs tikai dažus jaunākos. Sadaļā “Jums varētu patikt” var tikt parādītas vecākas ziņas, kas joprojām ir aktuālas katram lasītājam.
Lietotāji atgriežas biežāk.Personalizēti e-pasta īssavilkumi (“Lūk, kas jauns, pamatojoties uz jūsu interesēm”) sniedz cilvēkiem iemeslu atgriezties. Tādā veidā Medium liek jums noklikšķināt uz rakstiem.

Kā faktiski izveidot vienu (soli pa solim)

Šeit ir praktisks ceļvedis, kas jūs neapgrūtinās:

Sāciet, izsekojot lietotāju darbībām.Lai jūs varētu kaut ko ieteikt, jums ir nepieciešami dati. Izsekojiet klikšķus, atzīmes Patīk, ietaupījumus, lapās pavadīto laiku, pirkumus un visu, kas atbilst jūsu lietotnei. Pat vienkārša datu bāzes tabula, piemēram,lietotāja_id | item_id | darbība | laika zīmogsir pietiekami, lai sāktu.
Sāciet ar vienkāršāko pieeju.Nepārejiet tieši uz mašīnmācību. Sāciet ar "populārākās preces" vai "lietotāji, kuri iegādājās X, iegādājās arī Y". Nelielai lietotnei daži SQL vaicājumi var sniegt pārsteidzoši labus ieteikumus.
Kad esat gatavs, pārejiet uz bibliotēku.Python'sPārsteiguma bibliotēkapadara sadarbības filtrēšanu pavisam vienkāršu. Darbības ieteikuma modelis var būt aptuveni 20 koda rindiņās.TensorFlow ieteikumiir lieliski, ja vēlaties iedziļināties.
Saglabājiet to svaigu.Ieteikumi ātri noveco. Iestatiet iknedēļas darbu, lai pārkvalificētu savu modeli ar jauniem datiem. Lietotāja gaume janvārī var būt pavisam citāda līdz martam.

Ja nevēlaties to būvēt pats, pārvaldītie pakalpojumi var tikt galā ar smago celšanu.AWS personalizēšanaļauj ievadīt savus datus un saņemt ieteikumus, izmantojot API.Google ieteikumi AIdara to pašu. Abiem ir bezmaksas līmeņi, kas ir pietiekami dāsni mazām lietotnēm.

Pirmās ieteikumu sistēmas izveide

Izsekojiet lietotāja darbības

Reģistrējiet klikšķus, atzīmes Patīk, pirkumus un pavadīto laiku

Sāciet ar vienkāršu

"Vispopulārākais" vai "arī nopirkts" ar pamata SQL vaicājumiem

Pievienojiet bibliotēku

Izmantojiet Python Surprise vai TensorFlow ieteikumus

Pārkvalificēties katru nedēļu

Atjauniniet ieteikumus, mainoties lietotāju gaumei

Izmēriet to, kas darbojas

Izsekojiet savu ieteikumu vidējo klikšķu skaitu

Key Takeaways

Jums nav jābūt datu zinātniekam.Vienkāršs vaicājums "cilvēkiem, kuriem patika X patika arī Y" var radīt brīnumus nelielai lietotnei.
Sāciet ar to, kas jums ir.Pat pamata klikšķu dati ir pietiekami, lai sniegtu noderīgus ieteikumus.
Ir bezmaksas instrumenti, kas veic smagumu celšanu.Tādām bibliotēkām kā Surprise un pārvaldītajiem pakalpojumiem, piemēram, AWS Personalize, ir bezmaksas līmeņi, kas ir lieliski piemēroti solo izstrādātājiem.
Saglabājiet to svaigu.Regulāri pārkvalificējiet savu modeli. Novecojuši ieteikumi ir sliktāki par to neesamību.
Izmēriet ietekmi.Izsekojiet, vai lietotāji patiešām noklikšķina uz jūsu ieteikumiem. Ja tā nav, pielāgojiet savu pieeju.

Secinājums

Ieteikumu sistēmas ir paredzētas ne tikai tehnoloģiju gigantiem ar milzīgām inženieru komandām. Kā solo izstrādātājs varat sākt ar kaut ko tik vienkāršu kā “šonedēļ populārākais” un pakāpeniski virzīties uz personalizētiem ieteikumiem, kuru pamatā ir reāli lietotāja dati. Rīki ir bezmaksas, bibliotēkas ir piemērotas iesācējiem, un ietekme uz lietotāju iesaisti var būt milzīga.

Galvenais ir tikai sākt. Izsekojiet lietotāju uzvedību, izmēģiniet vienkāršu pieeju un atkārtojiet no turienes. Jūsu lietotāji pamanīs atšķirību.

Lai uzzinātu vairāk, pārbaudietGoogle ieteikumu sistēmu rokasgrāmata, AWS personalizēšana, unPārsteiguma bibliotēkas dokumentācija.