Hva er egentlig et anbefalingssystem?

Du vet når Netflix foreslår et program og du tenker: "Hvordan visste det det?" Eller når Amazon viser deg produkter som er merkelig perfekte for deg? Det er et anbefalingssystem på jobben. Det er i utgangspunktet programvare som ser på hva du (og folk som deg) har gjort tidligere, og bruker det til å gjette hva du sannsynligvis vil ha neste gang.

Den gode nyheten? Du trenger ikke være Netflix for å bygge en. Hvis du er en soloutvikler som bygger en app, en blogg eller en nettbutikk, kan du legge til anbefalinger for å få brukerne til å komme tilbake. La oss bryte ned hvordan disse tingene faktisk fungerer, på vanlig engelsk, med ekte eksempler du kan følge.

De to hovedtilnærmingene (med virkelige eksempler)

Det er egentlig bare to kjerneideer bak hvert anbefalingssystem. Når du først forstår disse, er alt annet bare variasjoner av temaet.

1. Samarbeidsfiltrering: "Folk som du likte også ..."

Denne tilnærmingen ser på hva lignende brukere har gjort. Det bryr seg ikkehvainnholdet faktisk er. Den merker bare mønstre i atferd.

Eksempel fra den virkelige verden:La oss si at du bygger en bokanmeldelsesapp. Bruker A elsket bøker #1, #2 og #3. Bruker B elsket bok #1 og #2, men har ikke sett bok #3 ennå. Samarbeidsfiltrering sier: "Bruker B vil sannsynligvis elske bok nr. 3 også, fordi de har samme smak som bruker A."

Det er akkurat slik Spotifys «Discover Weekly»-spilleliste fungerer. Den finner brukere med lignende lyttevaner som din, og anbefaler deretter sanger de elsket som du ikke har hørt ennå.

2. Innholdsbasert filtrering: "Fordi du likte denne spesifikke tingen ..."

Denne tilnærmingen ser på de faktiske egenskapene til det en bruker har samhandlet med, og finner deretter flere ting med lignende egenskaper.

Eksempel fra den virkelige verden:Du bygger en oppskriftsapp. En bruker lagrer stadig vegetariske pastaoppskrifter som tar under 30 minutter. Innholdsbasert filtrering vil anbefale andre raske vegetariske pastaretter, selv om ingen andre brukere har prøvd dem ennå, fordiingredienser og attributtersamsvarer med det denne brukeren tydelig foretrekker.

YouTubes «Relaterte videoer»-sidefelt fungerer på denne måten. Den ser på taggene, tittelen og kategorien til det du ser på, og finner deretter videoer med lignende attributter.

To typer anbefalingssystemer

👥

Samarbeidsfiltrering
"Brukere som deg likte også ..." (Spotify, Amazon)

🔍

Innholdsbasert filtrering
"Fordi dette elementet har lignende egenskaper ..." (YouTube, Netflix)

🧪

Hybrid (best av begge)
Kombiner begge for bedre resultater (hva de fleste store apper gjør)

📈

Popularitetsbasert (enkleste start)
"Mest populær denne uken" - ingen brukerdata nødvendig

⏱️

Sanntidsoppdateringer
Tilpass umiddelbart ettersom brukere samhandler med appen din

Hva med emeddings? (Det er enklere enn det høres ut)

Du vil høre begrepet "innbygging" mye i veiledninger for anbefalingssystem. Det høres skremmende ut, men ideen er dødsenkel.

Tenk på det slik: forestill deg at hver bruker og hvert element i appen din blir plassert på et gigantisk kart. Brukere som liker lignende ting havner tett sammen på kartet. Gjenstander som er like havner også tett sammen. En "innebygging" er bare koordinatene (plasseringen) til en bruker eller et element på det kartet.

Eksempel fra den virkelige verden:I en musikkapp vil en bruker som lytter til jazz, blues og soul bli plassert i nærheten av disse sjangrene på kartet. En bruker som hører på metal og punk ville vært i et helt annet område. Når et nytt jazzalbum kommer ut, sjekker systemet hvilke brukere som er «nær» på jazzen på kartet og anbefaler det til dem.

Hvorfor dette er viktig hvis du bygger en app alene

Hvis du er en soloutvikler, kan det å legge til et enkelt anbefalingssystem være en spillskifter for å holde brukerne engasjert. Her er hvorfor:

Brukere holder seg lenger.Når folk ser innhold som føles personlig valgt for dem, bruker de mer tid i appen din. Tenk på hvordan du fortsetter å rulle TikTok fordi den fortsetter å vise deg nøyaktig hva du liker.
Brukere oppdager mer av innholdet ditt.Hvis du har en blogg med 200 innlegg, vil de fleste besøkende bare se de siste få. En «Du kanskje også liker»-delen kan vise eldre innlegg som fortsatt er relevante for hver enkelt leser.
Brukere kommer tilbake oftere.Personlig tilpassede e-postsammendrag ("Her er det som er nytt basert på dine interesser") gir folk en grunn til å returnere. Slik holder Medium deg til å klikke på artikler.

Hvordan bygge en (trinn for trinn)

Her er et praktisk veikart som ikke vil overvelde deg:

Start med å spore hva brukerne gjør.Før du kan anbefale noe, trenger du data. Spor klikk, liker, sparinger, tid brukt på sider, kjøp, hva som er fornuftig for appen din. Selv en enkel databasetabell sombruker_id | item_id | handling | tidsstempeler nok til å starte.
Begynn med den enkleste tilnærmingen.Ikke hopp rett til maskinlæring. Start med "mest populære varer" eller "brukere som kjøpte X kjøpte også Y." For en liten app kan noen få SQL-spørringer gi overraskende gode anbefalinger.
Oppgrader til et bibliotek når du er klar.Python sinOverraskelsesbibliotekgjør samarbeidsfiltrering helt enkelt. Du kan ha en fungerende anbefalingsmodell i omtrent 20 linjer med kode.TensorFlow-anbefalingerer flott hvis du vil gå dypere.
Hold den frisk.Anbefalinger blir fort foreldet. Sett opp en ukentlig jobb for å omskolere modellen din med nye data. En brukers smak i januar kan være helt annerledes innen mars.

Hvis du ikke vil bygge det selv, kan administrerte tjenester håndtere de tunge løftene.AWS personliggjørlar deg mate inn dataene dine og få anbefalinger tilbake gjennom et API.Googles anbefalinger AIgjør det samme. Begge har gratis nivåer som er generøse nok for små apper.

Bygg ditt første anbefalingssystem

Spor brukerhandlinger

Logg klikk, liker, kjøp og tidsbruk

Start Enkelt

"Mest populær" eller "kjøpt også" med grunnleggende SQL-spørringer

Legg til et bibliotek

Bruk Pythons overraskelse eller TensorFlow-anbefalinger

Omskolere ukentlig

Hold anbefalingene ferske etter hvert som brukernes smak endres

Mål hva som fungerer

Spor klikkfrekvenser på anbefalingene dine

Viktige takeaways

Du trenger ikke å være dataforsker.Et enkelt «folk som likte X likte også Y»-spørsmål kan gjøre underverker for en liten app.
Start med det du har.Selv grunnleggende klikkdata er nok til å gi nyttige anbefalinger.
Det finnes gratis verktøy som gjør de tunge løftene.Biblioteker som Surprise og administrerte tjenester som AWS Personalize har gratis nivåer som er perfekte for soloutviklere.
Hold den frisk.Tren modellen på nytt regelmessig. Foreldede anbefalinger er verre enn ingen anbefalinger.
Mål virkningen.Spor om brukere faktisk klikker på anbefalingene dine. Hvis de ikke gjør det, juster tilnærmingen din.

Konklusjon

Anbefalingssystemer er ikke bare for teknologigiganter med massive ingeniørteam. Som soloutvikler kan du starte med noe så enkelt som "mest populært denne uken" og gradvis jobbe deg opp til personlig tilpassede forslag drevet av ekte brukerdata. Verktøyene er gratis, bibliotekene er nybegynnervennlige, og innvirkningen på brukerengasjement kan være enorm.

Nøkkelen er å bare starte. Spor brukeratferd, prøv en enkel tilnærming, og gjenta derfra. Brukerne dine vil merke forskjellen.

For mer lesing, sjekk utGoogles veiledning for anbefalingssystem, AWS personliggjør, ogOverraskende bibliotekdokumentasjon.