Ce este chiar un sistem de recomandare?

Știi când Netflix sugerează o emisiune și te gândești: „De unde a știut?” Sau când Amazon îți arată produse care sunt ciudat de perfecte pentru tine? Acesta este un sistem de recomandare la locul de muncă. Este practic un software care analizează ceea ce ați făcut dvs. (și oameni ca dvs.) în trecut și îl folosește pentru a ghici ce vă veți dori probabil în continuare.

Vestea bună? Nu trebuie să fii Netflix pentru a construi unul. Dacă sunteți un dezvoltator individual, care construiește o aplicație, un blog sau un magazin online, puteți adăuga recomandări pentru ca utilizatorii să revină. Să detaliem cum funcționează de fapt aceste lucruri, într-o engleză simplă, cu exemple reale pe care le puteți urma.

Cele două abordări principale (cu exemple reale)

Există într-adevăr doar două idei de bază în spatele fiecărui sistem de recomandare. Odată ce le înțelegi, orice altceva sunt doar variații ale temei.

1. Filtrare colaborativă: „Oamenii ca tine le-au plăcut și...”

Această abordare analizează ceea ce au făcut utilizatori similari. Nu-i pasăceconţinutul este de fapt. Doar observă modele în comportament.

Exemplu real:Să presupunem că construiți o aplicație pentru recenzii de cărți. Utilizatorul A a iubit cărțile #1, #2 și #3. Utilizatorului B i-au plăcut cărțile #1 și #2, dar nu a văzut încă cartea #3. Filtrarea în colaborare spune: „Probabil că utilizatorul B îi va plăcea și cartea nr. 3, deoarece are același gust ca și utilizatorul A”.

Exact așa funcționează lista de redare „Discover Weekly” de la Spotify. Găsește utilizatori cu obiceiuri de ascultare similare cu ale tale, apoi recomandă melodii pe care le-au iubit pe care nu le-ați auzit încă.

2. Filtrare bazată pe conținut: „Pentru că ți-a plăcut acest lucru specific...”

Această abordare analizează caracteristicile reale cu care a interacționat un utilizator, apoi găsește mai multe lucruri cu trăsături similare.

Exemplu real:Creați o aplicație pentru rețete. Un utilizator continuă să salveze rețete de paste vegetariene care durează mai puțin de 30 de minute. Filtrarea bazată pe conținut ar recomanda alte preparate rapide de paste vegetariene, chiar dacă niciun alt utilizator nu le-a încercat încă, deoareceingrediente și atributese potrivesc cu ceea ce preferă în mod clar acest utilizator.

Bara laterală „Videoclipuri similare” de pe YouTube funcționează astfel. Se uită la etichetele, titlul și categoria a ceea ce vizionați, apoi găsește videoclipuri cu atribute similare.

Două tipuri de sisteme de recomandare

👥

Filtrare colaborativă
„Și utilizatorii ca tine le-au plăcut...” (Spotify, Amazon)

🔍

Filtrare bazată pe conținut
„Pentru că acest articol are trăsături similare...” (YouTube, Netflix)

🧪

Hibrid (cel mai bun dintre ambele)
Combinați ambele pentru rezultate mai bune (ceea ce fac majoritatea aplicațiilor mari)

📈

Bazat pe popularitate (cel mai ușor început)
„Cel mai popular în această săptămână” - nu sunt necesare date despre utilizator

⏱️

Actualizări în timp real
Adaptați-vă instantaneu pe măsură ce utilizatorii interacționează cu aplicația dvs

Dar înglobările? (Este mai simplu decât pare)

Veți auzi mult termenul „înglobare” în tutorialele sistemului de recomandare. Sună intimidant, dar ideea este foarte simplă.

Gândiți-vă la asta astfel: imaginați-vă că fiecare utilizator și fiecare articol din aplicația dvs. este plasat pe o hartă gigantică. Utilizatorii cărora le plac lucruri similare ajung aproape unul de altul pe hartă. Elementele care sunt similare ajung, de asemenea, să fie apropiate. O „încorporare” este doar coordonatele (locația) unui utilizator sau element de pe harta respectivă.

Exemplu real:Într-o aplicație muzicală, un utilizator care ascultă jazz, blues și soul ar fi plasat lângă acele genuri pe hartă. Un utilizator care ascultă metal și punk s-ar afla într-o zonă complet diferită. Când apare un nou album de jazz, sistemul verifică ce utilizatori sunt „apropiați” de jazz pe hartă și le recomandă.

De ce contează acest lucru dacă construiți o aplicație singur

Dacă sunteți un dezvoltator solo, adăugarea chiar și a unui simplu sistem de recomandare poate schimba jocul pentru a menține utilizatorii implicați. Iată de ce:

Utilizatorii stau mai mult timp.Când oamenii văd conținut care se simte ales personal pentru ei, ei petrec mai mult timp în aplicația ta. Gândiți-vă la modul în care continuați să defilați pe TikTok, deoarece acesta vă arată exact ceea ce vă place.
Utilizatorii descoperă mai mult din conținutul tău.Dacă aveți un blog cu 200 de postări, majoritatea vizitatorilor le vor vedea doar pe cele mai recente. O secțiune „S-ar putea să vă placă și” poate afișa postări mai vechi care sunt încă relevante pentru fiecare cititor.
Utilizatorii revin mai des.Rezumatele personalizate de e-mail („Iată ce este nou în funcție de interesele tale”) oferă oamenilor un motiv pentru a reveni. Acesta este modul în care Medium te face să dai clic pe articole.

Cum să construiți de fapt unul (pas cu pas)

Iată o foaie de parcurs practică care nu vă va copleși:

Începeți prin a urmări ceea ce fac utilizatorii.Înainte de a putea recomanda ceva, aveți nevoie de date. Urmăriți clicurile, aprecierile, salvările, timpul petrecut pe pagini, achizițiile, orice are sens pentru aplicația dvs. Chiar și un simplu tabel de bază de date, cum ar fiuser_id | item_id | acțiune | marca temporalăeste suficient pentru a începe.
Începeți cu cea mai simplă abordare.Nu trece direct la învățarea automată. Începeți cu „cele mai populare articole” sau „utilizatorii care au cumpărat X au cumpărat și Y”. Pentru o aplicație mică, câteva interogări SQL pot genera recomandări surprinzător de bune.
Absolventă la o bibliotecă când ești gata.Al lui PythonBibliotecă surprizăface filtrarea colaborativă foarte simplă. Puteți avea un model de recomandare funcțional în aproximativ 20 de linii de cod.Recomandatori TensorFloweste grozav dacă vrei să mergi mai adânc.
Păstrează-l proaspăt.Recomandările devin învechite rapid. Configurați o lucrare săptămânală pentru a vă reeduca modelul cu date noi. Gustul unui utilizator în ianuarie ar putea fi complet diferit în martie.

Dacă nu doriți să-l construiți singur, serviciile gestionate se pot ocupa de sarcinile grele.AWS Personalizevă permite să introduceți datele și să primiți recomandări înapoi printr-un API.Recomandările AI de la Googleface acelasi lucru. Ambele au niveluri gratuite care sunt suficient de generoase pentru aplicații mici.

Construiește primul tău sistem de recomandare

Urmăriți acțiunile utilizatorului

Înregistrați clicurile, aprecierile, achizițiile și timpul petrecut

Începeți simplu

„Cel mai popular” sau „cumpărat” cu interogări SQL de bază

Adăugați o bibliotecă

Utilizați recomandările Python Surprise sau TensorFlow

Reantrenează-te săptămânal

Păstrați recomandările actuale pe măsură ce gusturile utilizatorilor se schimbă

Măsurați ceea ce funcționează

Urmăriți ratele de clic pe recomandările dvs

Recomandări cheie

Nu trebuie să fii un cercetător al datelor.O interogare simplă „Persoanelor cărora le-a plăcut X le-a plăcut și Y” poate face minuni pentru o aplicație mică.
Începe cu ceea ce ai.Chiar și datele de bază despre clicuri sunt suficiente pentru a furniza recomandări utile.
Există unelte gratuite care fac sarcini grele.Bibliotecile precum Surprise și serviciile gestionate precum AWS Personalize au niveluri gratuite perfecte pentru dezvoltatorii individuali.
Păstrează-l proaspăt.Reantrenează-ți modelul în mod regulat. Recomandările învechite sunt mai rele decât fără recomandări.
Măsurați impactul.Urmăriți dacă utilizatorii fac de fapt clic pe recomandările dvs. Dacă nu, modifică-ți abordarea.

Concluzie

Sistemele de recomandare nu sunt doar pentru giganții tehnologiei cu echipe masive de inginerie. În calitate de dezvoltator solo, puteți începe cu ceva la fel de simplu precum „cel mai popular săptămâna aceasta” și puteți merge treptat până la sugestii personalizate bazate pe date reale ale utilizatorilor. Instrumentele sunt gratuite, bibliotecile sunt prietenoase pentru începători, iar impactul asupra implicării utilizatorilor poate fi uriaș.

Cheia este să începi. Urmăriți comportamentul utilizatorului, încercați o abordare simplă și repetați de acolo. Utilizatorii tăi vor observa diferența.

Pentru citiri suplimentare, verificațiGhidul Google pentru sistemele de recomandare, AWS Personalize, șiDocumentație surpriză a bibliotecii.