Czym w ogóle jest system rekomendacji?

Wiesz, kiedy Netflix sugeruje serial i myślisz: „Skąd wiedział?” Albo kiedy Amazon pokazuje Ci produkty, które są dla Ciebie dziwnie idealne? Taki jest system rekomendacji w pracy. Zasadniczo jest to oprogramowanie, które sprawdza, co Ty (i ludzie Ci podobni) zrobiliście w przeszłości i na tej podstawie odgaduje, czego prawdopodobnie będziesz chciał w przyszłości.

Dobra wiadomość? Nie musisz mieć serwisu Netflix, aby go zbudować. Jeśli jesteś samodzielnym programistą tworzącym aplikację, bloga lub sklep internetowy, możesz dodać rekomendacje, aby użytkownicy wracali. Przyjrzyjmy się, jak te rzeczy faktycznie działają, prostym angielskim i prawdziwymi przykładami, które możesz śledzić.

Dwa główne podejścia (z prawdziwymi przykładami)

Tak naprawdę za każdym systemem rekomendacji stoją tylko dwie podstawowe idee. Gdy je zrozumiesz, wszystko inne będzie tylko wariacjami na temat.

1. Filtrowanie oparte na współpracy: „Osoby takie jak Ty też lubiły…”

Podejście to sprawdza, co zrobili podobni użytkownicy. To nie ma znaczeniaCotreść faktycznie taka jest. Po prostu zauważa wzorce w zachowaniu.

Przykład ze świata rzeczywistego:Załóżmy, że tworzysz aplikację do recenzowania książek. Użytkownik A uwielbiał książki nr 1, nr 2 i nr 3. Użytkownik B uwielbiał książki nr 1 i nr 2, ale nie widział jeszcze książki nr 3. Filtrowanie oparte na współpracy mówi: „Użytkownikowi B prawdopodobnie też spodoba się książka nr 3, ponieważ ma ten sam gust co Użytkownik A”.

Dokładnie tak działa playlista Spotify „Discover Weekly”. Znajduje użytkowników o podobnych nawykach słuchania do Twoich, a następnie poleca im ulubione utwory, których jeszcze nie słyszałeś.

2. Filtrowanie na podstawie treści: „Ponieważ spodobała Ci się ta konkretna rzecz…”

To podejście sprawdza rzeczywistą charakterystykę tego, z czym użytkownik wszedł w interakcję, a następnie znajduje więcej rzeczy o podobnych cechach.

Przykład ze świata rzeczywistego:Tworzysz aplikację z przepisami. Użytkownik zapisuje przepisy na makarony wegetariańskie, których przygotowanie zajmuje mniej niż 30 minut. Filtrowanie oparte na treści poleciłoby inne szybkie wegetariańskie dania z makaronu, nawet jeśli żaden inny użytkownik ich jeszcze nie próbował, ponieważskładniki i atrybutypasują do tego, co wyraźnie preferuje ten użytkownik.

Pasek boczny „Podobne filmy” w serwisie YouTube działa w ten sposób. Sprawdza tagi, tytuł i kategorię tego, co oglądasz, a następnie znajduje filmy o podobnych atrybutach.

Dwa typy systemów rekomendacji

👥

Wspólne filtrowanie
„Użytkownicy tacy jak Ty również cieszyli się…” (Spotify, Amazon)

🔍

Filtrowanie oparte na treści
„Ponieważ ten przedmiot ma podobne cechy…” (YouTube, Netflix)

🧪

Hybrydowy (najlepszy z obu)
Połącz oba, aby uzyskać lepsze wyniki (co robi większość dużych aplikacji)

📈

Oparte na popularności (najłatwiejszy start)
„Najpopularniejsze w tym tygodniu” – nie są potrzebne żadne dane użytkownika

⏱️

Aktualizacje w czasie rzeczywistym
Dostosuj się natychmiast, gdy użytkownicy wchodzą w interakcję z Twoją aplikacją

A co z osadzaniem? (To prostsze niż się wydaje)

Termin „osadzanie” często słyszysz w samouczkach dotyczących systemu rekomendacji. Brzmi to przerażająco, ale pomysł jest niezwykle prosty.

Pomyśl o tym w ten sposób: wyobraź sobie, że każdy użytkownik i każdy element Twojej aplikacji zostaje umieszczony na gigantycznej mapie. Użytkownicy, którzy lubią podobne rzeczy, lądują blisko siebie na mapie. Przedmioty podobne również trafiają blisko siebie. „Osadzanie” to po prostu współrzędne (lokalizacja) użytkownika lub elementu na tej mapie.

Przykład ze świata rzeczywistego:W aplikacji muzycznej użytkownik słuchający jazzu, bluesa i soul zostanie umieszczony na mapie w pobliżu tych gatunków. Użytkownik słuchający metalu i punku byłby w zupełnie innym miejscu. Kiedy wychodzi nowa płyta jazzowa, system sprawdza na mapie, którzy użytkownicy są „bliscy” jazzowi i im ją rekomenduje.

Dlaczego to ma znaczenie, jeśli tworzysz aplikację samodzielnie

Jeśli jesteś programistą solo, dodanie nawet prostego systemu rekomendacji może zmienić zasady gry i utrzymać zaangażowanie użytkowników. Oto dlaczego:

Użytkownicy pozostają dłużej.Gdy użytkownicy widzą treści, które wydają im się osobiście wybrane, spędzają więcej czasu w Twojej aplikacji. Pomyśl o tym, jak przewijasz TikTok, ponieważ pokazuje Ci dokładnie, co Cię interesuje.
Użytkownicy odkrywają więcej Twoich treści.Jeśli masz bloga zawierającego 200 postów, większość odwiedzających zobaczy tylko kilka najnowszych. Sekcja „Może Ci się spodobać” może wyświetlać starsze posty, które są nadal istotne dla każdego czytelnika.
Użytkownicy wracają częściej.Spersonalizowane podsumowania e-maili („Oto nowości na podstawie Twoich zainteresowań”) dają ludziom powód do powrotu. W ten sposób Medium sprawia, że klikasz artykuły.

Jak właściwie go zbudować (krok po kroku)

Oto praktyczny plan działania, który Cię nie przytłoczy:

Zacznij od śledzenia działań użytkowników.Zanim będziesz mógł cokolwiek polecić, potrzebujesz danych. Śledź kliknięcia, polubienia, zapisy, czas spędzony na stronach, zakupy i wszystko, co ma sens dla Twojej aplikacji. Nawet prosta tabela bazy danych, taka jakidentyfikator_użytkownika | identyfikator_przedmiotu | akcja | znacznik czasuwystarczy zacząć.
Zacznij od najprostszego podejścia.Nie przechodź od razu do uczenia maszynowego. Zacznij od „najpopularniejszych przedmiotów” lub „użytkownicy, którzy kupili X, kupili także Y”. W przypadku małej aplikacji kilka zapytań SQL może zapewnić zaskakująco dobre rekomendacje.
Ukończ bibliotekę, kiedy będziesz gotowy.PythonaBiblioteka niespodziankasprawia, że wspólne filtrowanie jest niezwykle proste. Możesz mieć działający model rekomendacji w około 20 liniach kodu.Osoby polecające TensorFlowjest świetny, jeśli chcesz zejść głębiej.
Zachowaj świeżość.Rekomendacje szybko się dezaktualizują. Skonfiguruj cotygodniowe zadanie, aby ponownie nauczyć model przy użyciu nowych danych. Gust użytkownika w styczniu może być już zupełnie inny w marcu.

Jeśli nie chcesz go budować samodzielnie, usługi zarządzane poradzą sobie z podnoszeniem ciężkich przedmiotów.Personalizuj AWSumożliwia przesyłanie danych i uzyskiwanie rekomendacji za pośrednictwem interfejsu API.AI rekomendacji Googlerobi to samo. Oba mają bezpłatne poziomy, które są wystarczająco hojne dla małych aplikacji.

Budowanie pierwszego systemu rekomendacji

Śledź działania użytkownika

Rejestruj kliknięcia, polubienia, zakupy i spędzony czas

Zacznij prosto

„Najpopularniejsze” lub „również zakupione” z podstawowymi zapytaniami SQL

Dodaj bibliotekę

Skorzystaj z rekomendatorów Pythona Surprise lub TensorFlow

Ponowne szkolenie co tydzień

Zachowaj świeżość rekomendacji w miarę zmieniających się gustów użytkowników

Zmierz to, co działa

Śledź współczynniki klikalności swoich rekomendacji

Kluczowe dania na wynos

Nie musisz być analitykiem danych.Proste zapytanie „ludzie, którzy polubili X, polubili także Y” może zdziałać cuda w przypadku małej aplikacji.
Zacznij od tego, co masz.Nawet podstawowe dane o kliknięciach wystarczą, aby uzyskać przydatne rekomendacje.
Istnieją bezpłatne narzędzia, które wykonują ciężkie prace.Biblioteki takie jak Surprise i usługi zarządzane, takie jak AWS Personalize, mają bezpłatne poziomy idealne dla programistów indywidualnych.
Zachowaj świeżość.Regularnie trenuj swojego modela. Przestarzałe rekomendacje są gorsze niż brak rekomendacji.
Zmierz wpływ.Śledź, czy użytkownicy faktycznie klikają Twoje rekomendacje. Jeśli tak się nie stanie, zmień swoje podejście.

Wniosek

Systemy rekomendacji nie są przeznaczone tylko dla gigantów technologicznych z ogromnymi zespołami inżynieryjnymi. Jako samodzielny programista możesz zacząć od czegoś tak prostego, jak „najpopularniejszy w tym tygodniu” i stopniowo docierać do spersonalizowanych sugestii opartych na prawdziwych danych użytkownika. Narzędzia są bezpłatne, biblioteki przyjazne dla początkujących, a wpływ na zaangażowanie użytkowników może być ogromny.

Kluczem jest po prostu zacząć. Śledź zachowanie użytkowników, wypróbuj proste podejście i wykonaj iterację na tej podstawie. Twoi użytkownicy zauważą różnicę.

Aby przeczytać więcej, sprawdźPrzewodnik po systemach rekomendacji Google, Personalizuj AWS, orazNiespodzianka w dokumentacji biblioteki.