Что вообще такое система рекомендаций?

Вы знаете, когда Netflix предлагает шоу, и вы думаете: «Откуда он узнал?» Или когда Amazon показывает вам продукты, которые идеально подходят вам? Это система рекомендаций в действии. По сути, это программное обеспечение, которое смотрит на то, что вы (и такие люди, как вы) делали в прошлом, и использует это, чтобы угадать, чего вы, вероятно, захотите дальше.

Хорошие новости? Вам не обязательно быть Netflix, чтобы создать его. Если вы разработчик-одиночка, создающий приложение, блог или интернет-магазин, вы можете добавить рекомендации, чтобы пользователи возвращались к вам снова. Давайте разберем, как эти вещи на самом деле работают, простым языком, с реальными примерами, которым вы можете следовать.

Два основных подхода (с реальными примерами)

На самом деле в основе каждой системы рекомендаций лежат только две основные идеи. Как только вы это поймете, все остальное станет просто вариациями на эту тему.

1. Совместная фильтрация: «Таким людям, как вы, тоже понравилось…»

Этот подход смотрит на то, что сделали похожие пользователи. Это не волнуетчтоконтент на самом деле есть. Он просто замечает закономерности в поведении.

Реальный пример:Допустим, вы создаете приложение для обзора книг. Пользователю А понравились книги №1, №2 и №3. Пользователю Б понравились книги №1 и №2, но книгу №3 еще не видел. Совместная фильтрация говорит: «Пользователю Б, вероятно, тоже понравится книга №3, потому что у него тот же вкус, что и у пользователя А».

Именно так работает плейлист Spotify «Discover Weekly». Он находит пользователей со схожими с вами предпочтениями в прослушивании, а затем рекомендует им понравившиеся песни, которые вы еще не слышали.

2. Фильтрация по контенту: «Потому что вам понравилась эта конкретная вещь…»

Этот подход рассматривает фактические характеристики того, с чем взаимодействовал пользователь, а затем находит больше вещей со схожими характеристиками.

Реальный пример:Вы создаете приложение с рецептами. Пользователь продолжает сохранять рецепты вегетарианской пасты, которые занимают менее 30 минут. Фильтрация на основе контента будет рекомендовать другие быстрые вегетарианские блюда из пасты, даже если никто из других пользователей их еще не пробовал, потому чтоингредиенты и атрибутысоответствовать тому, что явно предпочитает этот пользователь.

Боковая панель YouTube «Похожие видео» работает таким образом. Он просматривает теги, заголовок и категорию того, что вы смотрите, а затем находит видео с похожими атрибутами.

Два типа рекомендательных систем

👥

Совместная фильтрация
«Таким пользователям, как вы, тоже понравилось…» (Spotify, Amazon)

🔍

Контентная фильтрация
«Потому что у этого предмета схожие характеристики…» (YouTube, Netflix)

🧪

Гибрид (лучшее из обоих)
Объедините оба для лучших результатов (что делает большинство крупных приложений)

📈

На основе популярности (самый простой старт)
«Самое популярное на этой неделе» — пользовательские данные не нужны.

⏱️

Обновления в реальном времени
Мгновенная адаптация по мере взаимодействия пользователей с вашим приложением.

А как насчет вложений? (Это проще, чем кажется)

Вы часто будете слышать термин «встраивания» в руководствах по системам рекомендаций. Звучит устрашающе, но идея предельно проста.

Подумайте об этом так: представьте, что каждый пользователь и каждый элемент вашего приложения размещены на огромной карте. Пользователи, которым нравятся похожие вещи, оказываются на карте близко друг к другу. Похожие предметы также оказываются близко друг к другу. «Вложение» — это просто координаты (местоположение) пользователя или объекта на этой карте.

Реальный пример:В музыкальном приложении пользователь, слушающий джаз, блюз и соул, будет расположен рядом с этими жанрами на карте. Пользователь, слушающий металл и панк, окажется в совершенно другой области. Когда выходит новый джазовый альбом, система проверяет, какие пользователи на карте «близки» к джазу, и рекомендует им его.

Почему это важно, если вы создаете приложение в одиночку

Если вы разработчик-одиночка, добавление даже простой системы рекомендаций может изменить правила игры и повысить вовлеченность пользователей. Вот почему:

Пользователи задерживаются дольше.Когда люди видят контент, который кажется им лично подобранным, они проводят больше времени в вашем приложении. Подумайте о том, как вы продолжаете прокручивать TikTok, потому что он продолжает показывать вам именно то, что вам нравится.
Пользователи открывают для себя больше вашего контента.Если у вас блог с 200 сообщениями, большинство посетителей увидят только несколько последних. В разделе «Вам также может понравиться» можно найти старые публикации, которые по-прежнему актуальны для каждого читателя.
Пользователи возвращаются чаще.Персонализированные дайджесты электронной почты («Вот что нового, исходя из ваших интересов») дают людям повод вернуться. Вот как Medium заставляет вас нажимать на статьи.

Как на самом деле его построить (шаг за шагом)

Вот практический план действий, который вас не смущает:

Начните с отслеживания того, что делают пользователи.Прежде чем вы сможете что-либо рекомендовать, вам нужны данные. Отслеживайте клики, лайки, сохранения, время, проведенное на страницах, покупки — все, что имеет смысл для вашего приложения. Даже простая таблица базы данных, напримеридентификатор_пользователя | идентификатор_предмета | действие | временная меткадостаточно для начала.
Начните с самого простого подхода.Не переходите сразу к машинному обучению. Начните с «самых популярных товаров» или «пользователи, которые купили X, также купили Y». Для небольшого приложения несколько SQL-запросов могут дать удивительно хорошие рекомендации.
Поступите в библиотеку, когда будете готовы.PythonБиблиотека-сюрпризделает совместную фильтрацию очень простой. Вы можете создать рабочую модель рекомендаций примерно из 20 строк кода.Рекомендации TensorFlowэто здорово, если вы хотите пойти глубже.
Держите его свежим.Рекомендации быстро устаревают. Настройте еженедельное задание по переобучению модели с использованием новых данных. Вкусы пользователей в январе могут совершенно измениться к марту.

Если вы не хотите создавать его самостоятельно, управляемые сервисы справятся с этой тяжелой работой.Персонализация AWSпозволяет вам вводить свои данные и получать рекомендации через API.Рекомендации Google AIделает то же самое. У обоих есть уровни бесплатного пользования, достаточно щедрые для небольших приложений.

Создание вашей первой системы рекомендаций

Отслеживайте действия пользователя

Регистрируйте клики, лайки, покупки и потраченное время

Начни с простого

«Самые популярные» или «также покупаемые» с базовыми запросами SQL.

Добавить библиотеку

Используйте рекомендации Python Surprise или TensorFlow.

Переподготовка еженедельно

Сохраняйте рекомендации актуальными по мере изменения вкусов пользователей.

Измеряйте то, что работает

Отслеживайте рейтинг кликов по вашим рекомендациям

Ключевые выводы

Вам не обязательно быть специалистом по данным.Простой запрос «Людям, которым понравился X, понравился и Y», может творить чудеса для небольшого приложения.
Начните с того, что у вас есть.Даже базовых данных о кликах достаточно, чтобы дать полезные рекомендации.
Есть бесплатные инструменты, которые сделают тяжелую работу.Такие библиотеки, как Surprise, и управляемые сервисы, такие как AWS Personalize, имеют уровни бесплатного пользования, идеально подходящие для индивидуальных разработчиков.
Держите его свежим.Регулярно переобучайте свою модель. Устаревшие рекомендации хуже, чем отсутствие рекомендаций.
Измерьте воздействие.Отслеживайте, действительно ли пользователи нажимают на ваши рекомендации. Если нет, измените свой подход.

Заключение

Рекомендательные системы предназначены не только для технологических гигантов с огромными командами инженеров. Будучи индивидуальным разработчиком, вы можете начать с чего-то простого, например «самое популярное на этой неделе», и постепенно переходить к персонализированным предложениям, основанным на реальных данных пользователей. Инструменты бесплатны, библиотеки удобны для новичков, а влияние на вовлеченность пользователей может быть огромным.

Главное — просто начать. Отслеживайте поведение пользователей, попробуйте простой подход и продолжайте дальше. Ваши пользователи заметят разницу.

Для дальнейшего чтения см.Руководство по системам рекомендаций Google, Персонализация AWSиДокументация библиотеки-сюрприза.