Wat is zelfs een aanbevelingssysteem?

Weet je wanneer Netflix een programma voorstelt en je denkt: "Hoe wist het dat?" Of wanneer Amazon je producten laat zien die vreemd genoeg perfect voor je zijn? Dat is een aanbevelingssysteem op het werk. Het is eigenlijk software die kijkt naar wat jij (en mensen zoals jij) in het verleden hebt gedaan, en gebruikt dat om te raden wat je waarschijnlijk hierna wilt.

Het goede nieuws? Je hoeft geen Netflix te zijn om er een te bouwen. Als u een solo-ontwikkelaar bent die een app, een blog of een online winkel bouwt, kunt u aanbevelingen toevoegen om ervoor te zorgen dat uw gebruikers blijven terugkomen. Laten we in gewoon Engels uitleggen hoe deze dingen werken, met echte voorbeelden die u kunt volgen.

De twee belangrijkste benaderingen (met echte voorbeelden)

Er zitten eigenlijk maar twee kernideeën achter elk aanbevelingssysteem. Als je deze eenmaal begrijpt, zijn al de rest slechts variaties op het thema.

1. Collaboratief filteren: "Mensen zoals jij vonden het ook leuk..."

Bij deze aanpak wordt gekeken naar wat vergelijkbare gebruikers hebben gedaan. Het maakt niet uitWatde inhoud is dat ook daadwerkelijk. Het merkt alleen patronen in gedrag op.

Voorbeeld uit de praktijk:Stel dat u een app voor boekrecensies bouwt. Gebruiker A hield van boeken #1, #2 en #3. Gebruiker B hield van boeken #1 en #2, maar heeft boek #3 nog niet gezien. Collaboratieve filtering zegt: "Gebruiker B zal waarschijnlijk ook dol zijn op boek nr. 3, omdat hij dezelfde smaak heeft als gebruiker A."

Dit is precies hoe Spotify's "Discover Weekly" -afspeellijst werkt. Het vindt gebruikers met vergelijkbare luistergewoonten als de jouwe en beveelt vervolgens nummers aan waarvan ze hielden, maar die je nog niet hebt gehoord.

2. Op inhoud gebaseerde filtering: "Omdat je dit specifieke ding leuk vond..."

Deze aanpak kijkt naar de werkelijke kenmerken van waar een gebruiker mee heeft gecommuniceerd en vindt vervolgens meer dingen met vergelijkbare kenmerken.

Voorbeeld uit de praktijk:Je bouwt een recepten-app. Een gebruiker bewaart steeds vegetarische pastarecepten die minder dan 30 minuten duren. Op inhoud gebaseerde filtering zou andere snelle vegetarische pastagerechten aanbevelen, zelfs als geen enkele andere gebruiker ze nog heeft geprobeerd, omdat deingrediënten en attributenovereenkomen met wat deze gebruiker duidelijk verkiest.

De zijbalk 'Gerelateerde video's' van YouTube werkt op deze manier. Het kijkt naar de tags, titel en categorie van wat je bekijkt en vindt vervolgens video's met vergelijkbare kenmerken.

Twee soorten aanbevelingssystemen

👥

Gezamenlijk filteren
"Gebruikers zoals jij genoten ook van..." (Spotify, Amazon)

🔍

Op inhoud gebaseerde filtering
"Omdat dit item vergelijkbare eigenschappen heeft..." (YouTube, Netflix)

🧪

Hybride (het beste van beide)
Combineer beide voor betere resultaten (wat de meeste grote apps doen)

📈

Op populariteit gebaseerd (gemakkelijkste start)
"Meest populair deze week" - geen gebruikersgegevens nodig

⏱️

Realtime updates
Pas je direct aan terwijl gebruikers met je app communiceren

Hoe zit het met insluitingen? (Het is eenvoudiger dan het klinkt)

Je zult de term 'insluitingen' vaak horen in tutorials over aanbevelingssysteem. Het klinkt intimiderend, maar het idee is doodeenvoudig.

Zie het als volgt: stel je voor dat elke gebruiker en elk item in je app op een gigantische kaart wordt geplaatst. Gebruikers die van soortgelijke dingen houden, komen dicht bij elkaar op de kaart terecht. Items die op elkaar lijken, komen ook dicht bij elkaar terecht. Een "inbedding" zijn slechts de coördinaten (de locatie) van een gebruiker of item op die kaart.

Voorbeeld uit de praktijk:In een muziekapp wordt een gebruiker die naar jazz, blues en soul luistert, in de buurt van die genres op de kaart geplaatst. Een gebruiker die naar metal en punk luistert, bevindt zich in een heel ander gebied. Wanneer er een nieuw jazzalbum uitkomt, controleert het systeem op de kaart welke gebruikers "dicht" bij jazz staan en beveelt het hen aan.

Waarom dit belangrijk is als u alleen een app bouwt

Als u een solo-ontwikkelaar bent, kan het toevoegen van zelfs een eenvoudig aanbevelingssysteem een gamechanger zijn om gebruikers betrokken te houden. Dit is waarom:

Gebruikers blijven langer hangen.Wanneer mensen inhoud zien die persoonlijk voor hen is uitgekozen, brengen ze meer tijd door in uw app. Bedenk eens hoe je door TikTok blijft scrollen, omdat het je precies laat zien waar je zin in hebt.
Gebruikers ontdekken meer van uw inhoud.Als je een blog met 200 berichten hebt, zien de meeste bezoekers alleen de laatste paar. In een gedeelte 'Misschien vind je dit ook leuk' kunnen oudere berichten worden weergegeven die nog steeds relevant zijn voor elke lezer.
Gebruikers komen vaker terug.Gepersonaliseerde e-mailoverzichten ("Dit is wat er nieuw is op basis van uw interesses") geven mensen een reden om terug te keren. Zo zorgt Medium ervoor dat je op artikelen klikt.

Hoe u er daadwerkelijk een kunt bouwen (stap voor stap)

Hier is een praktisch stappenplan dat u niet zal overweldigen:

Begin door bij te houden wat gebruikers doen.Voordat je iets kunt aanbevelen, heb je gegevens nodig. Houd klikken, vind-ik-leuks, opgeslagen tijd, bestede tijd op pagina's, aankopen en wat zinvol is voor uw app bij. Zelfs een eenvoudige databasetabel zoalsgebruiker_id | item_id | actie | tijdstempelis genoeg om te beginnen.
Begin met de eenvoudigste aanpak.Spring niet meteen over op machine learning. Begin met 'meest populaire items' of 'gebruikers die X kochten, kochten ook Y'. Voor een kleine app kunnen een paar SQL-query's verrassend goede aanbevelingen opleveren.
Studeer af naar een bibliotheek als je er klaar voor bent.Python'sVerrassing bibliotheekmaakt collaboratief filteren doodeenvoudig. U kunt een werkend aanbevelingsmodel krijgen in ongeveer 20 regels code.TensorFlow-aanbevelersis geweldig als je dieper wilt gaan.
Houd het vers.Aanbevelingen verouderen snel. Stel een wekelijkse taak in om uw model opnieuw te trainen met nieuwe gegevens. De smaak van een gebruiker in januari kan in maart compleet anders zijn.

Als u het niet zelf wilt bouwen, kunnen managed services het zware werk aan.AWS personaliserenkunt u uw gegevens invoeren en aanbevelingen terugkrijgen via een API.Aanbevelingen AI van Googledoet hetzelfde. Beide hebben gratis niveaus die genereus genoeg zijn voor kleine apps.

Bouw uw eerste aanbevelingssysteem

Houd gebruikersacties bij

Registreer klikken, likes, aankopen en bestede tijd

Begin eenvoudig

'Meest populair' of 'ook gekocht' met eenvoudige SQL-query's

Voeg een bibliotheek toe

Gebruik Python's Surprise of TensorFlow Recommenders

Wekelijks bijscholen

Houd aanbevelingen actueel als de smaak van de gebruiker verandert

Meet wat werkt

Houd de klikfrequenties voor uw aanbevelingen bij

Belangrijkste afhaalrestaurants

Je hoeft geen datawetenschapper te zijn.Een eenvoudige vraag 'mensen die X leuk vonden, vonden Y ook leuk' kan wonderen doen voor een kleine app.
Begin met wat je hebt.Zelfs eenvoudige klikgegevens zijn voldoende om nuttige aanbevelingen te doen.
Er zijn gratis tools die het zware werk doen.Bibliotheken zoals Surprise en beheerde services zoals AWS Personalize hebben gratis niveaus die perfect zijn voor solo-ontwikkelaars.
Houd het vers.Train uw model regelmatig opnieuw. Verouderde aanbevelingen zijn erger dan geen aanbevelingen.
Meet de impact.Houd bij of gebruikers daadwerkelijk op uw aanbevelingen klikken. Als dat niet het geval is, pas dan uw aanpak aan.

Conclusie

Aanbevelingssystemen zijn niet alleen voor technologiegiganten met enorme technische teams. Als solo-ontwikkelaar kun je beginnen met iets simpels als 'meest populair deze week' en geleidelijk opwerken naar gepersonaliseerde suggesties, mogelijk gemaakt door echte gebruikersgegevens. De tools zijn gratis, de bibliotheken zijn geschikt voor beginners en de impact op de gebruikersbetrokkenheid kan enorm zijn.

De sleutel is om gewoon te beginnen. Houd het gedrag van gebruikers bij, probeer een eenvoudige aanpak en ga van daaruit verder. Uw gebruikers zullen het verschil merken.

Voor meer informatie, kijk opGoogle's aanbevelingssystemengids, AWS personaliseren, en deVerrassingsbibliotheekdocumentatie.