Čo je to vlastne systém odporúčaní?

Poznáte to, keď Netflix navrhne šou a pomyslíte si: „Ako to vedel?“ Alebo keď vám Amazon ukáže produkty, ktoré sú pre vás zvláštne dokonalé? To je systém odporúčaní v práci. Je to v podstate softvér, ktorý sa pozerá na to, čo ste vy (a ľudia ako vy) urobili v minulosti, a používa to na uhádnutie toho, čo budete pravdepodobne chcieť ďalej.

Dobrá správa? Aby ste si ho vytvorili, nemusíte byť Netflix. Ak ste samostatný vývojár, ktorý vytvára aplikáciu, blog alebo internetový obchod, môžete pridať odporúčania, aby sa vaši používatelia vracali. Poďme si rozobrať, ako tieto veci v skutočnosti fungujú, jednoduchou angličtinou a skutočnými príkladmi, ktoré môžete nasledovať.

Dva hlavné prístupy (so skutočnými príkladmi)

Za každým systémom odporúčaní sú skutočne len dve základné myšlienky. Keď to pochopíte, všetko ostatné sú len variácie na danú tému.

1. Spoločné filtrovanie: „Ľudia, ktorí sa vám páčili, sa vám tiež páčili...“

Tento prístup sa zameriava na to, čo urobili podobní používatelia. Je to jednočoobsah v skutočnosti je. Len si všíma vzorce v správaní.

Príklad z reálneho sveta:Povedzme, že vytvárate aplikáciu na recenziu kníh. Používateľ A miloval knihy #1, #2 a #3. Používateľ B miloval knihy #1 a #2, ale ešte nevidel knihu #3. Kolaboratívne filtrovanie hovorí: „Používateľ B si pravdepodobne tiež zamiluje knihu č. 3, pretože má rovnaký vkus ako používateľ A.“

Presne takto funguje playlist „Discover Weekly“ Spotify. Nájde používateľov s podobnými návykmi pri počúvaní, ako máte vy, a potom im odporučí skladby, ktoré sa im páčili a ktoré ste ešte nepočuli.

2. Filtrovanie podľa obsahu: „Pretože sa vám páčila táto konkrétna vec...“

Tento prístup sa zameriava na skutočné charakteristiky toho, s čím používateľ interagoval, a potom nájde ďalšie veci s podobnými vlastnosťami.

Príklad z reálneho sveta:Vytvárate aplikáciu receptov. Používateľ si neustále ukladá recepty na vegetariánske cestoviny, ktoré trvajú menej ako 30 minút. Filtrovanie na základe obsahu by odporučilo iné rýchle vegetariánske cestoviny, aj keď ich zatiaľ nikto iný neskúšal, pretožeprísad a atribútovzodpovedajú tomu, čo tento používateľ jednoznačne preferuje.

Bočný panel „Súvisiace videá“ na YouTube funguje týmto spôsobom. Pozerá sa na značky, názov a kategóriu toho, čo pozeráte, a potom nájde videá s podobnými atribútmi.

Dva typy systémov odporúčaní

👥

Kolaboratívne filtrovanie
„Používatelia ako vy si tiež užili...“ (Spotify, Amazon)

🔍

Filtrovanie podľa obsahu
„Pretože táto položka má podobné vlastnosti...“ (YouTube, Netflix)

🧪

Hybridné (najlepšie z oboch)
Kombináciou oboch dosiahnete lepšie výsledky (čo robí väčšina veľkých aplikácií)

📈

Na základe popularity (najjednoduchší začiatok)
„Najpopulárnejšie tento týždeň“ – nie sú potrebné žiadne údaje používateľa

⏱️

Aktualizácie v reálnom čase
Prispôsobte sa okamžite, keď používatelia interagujú s vašou aplikáciou

A čo vkladanie? (Je to jednoduchšie, ako to znie)

V návodoch na systém odporúčaní budete často počuť výraz „vloženie“. Znie to odstrašujúco, ale myšlienka je úplne jednoduchá.

Predstavte si to takto: predstavte si, že každý používateľ a každá položka vo vašej aplikácii sa umiestni na obrovskú mapu. Používatelia, ktorí majú radi podobné veci, skončia na mape tesne vedľa seba. Položky, ktoré sú si podobné, skončia aj tesne vedľa seba. „Vloženie“ sú len súradnice (umiestnenie) používateľa alebo položky na tejto mape.

Príklad z reálneho sveta:V hudobnej aplikácii by sa používateľ, ktorý počúva jazz, blues a soul, nachádza na mape blízko týchto žánrov. Používateľ, ktorý počúva metal a punk, by bol v úplne inej oblasti. Keď vyjde nový jazzový album, systém na mape skontroluje, ktorí používatelia majú k jazzu „blízko“ a odporučí im ho.

Prečo na tom záleží, ak vytvárate aplikáciu sami

Ak ste samostatný vývojár, pridanie aj jednoduchého systému odporúčaní môže zmeniť hru, aby ste udržali používateľov v kontakte. Tu je dôvod:

Používatelia zostanú dlhšie.Keď ľudia vidia obsah, ktorý je pre nich osobne vybraný, trávia viac času vo vašej aplikácii. Zamyslite sa nad tým, ako neustále posúvate TikTok, pretože vám neustále ukazuje, čo presne vás baví.
Používatelia objavia viac vášho obsahu.Ak máte blog s 200 príspevkami, väčšina návštevníkov uvidí len niekoľko najnovších. Sekcia „Tiež by sa vám mohla páčiť“ môže zobraziť staršie príspevky, ktoré sú stále relevantné pre každého čitateľa.
Používatelia sa vracajú častejšie.Prispôsobené súhrny e-mailov („Tu je to, čo je nové na základe vašich záujmov“) dávajú ľuďom dôvod vrátiť sa. Medium vás takto núti klikať na články.

Ako ho skutočne postaviť (krok za krokom)

Tu je praktický plán, ktorý vás nepremôže:

Začnite sledovaním toho, čo používatelia robia.Skôr ako budete môcť čokoľvek odporučiť, potrebujete údaje. Sledujte kliknutia, označenia páči sa mi, uloženia, čas strávený na stránkach, nákupy, čokoľvek, čo má pre vašu aplikáciu zmysel. Dokonca aj jednoduchá tabuľka databázy akouser_id | item_id | akcia | časová pečiatkana začiatok stačí.
Začnite s najjednoduchším prístupom.Neskočte rovno na strojové učenie. Začnite s „najobľúbenejšie položky“ alebo „používatelia, ktorí si kúpili X, kúpili aj Y“. Pre malú aplikáciu môže niekoľko SQL dotazov poskytnúť prekvapivo dobré odporúčania.
Keď budete pripravení, prejdite do knižnice.PythonovKnižnica prekvapenízjednodušuje spoločné filtrovanie. Môžete mať funkčný model odporúčaní v približne 20 riadkoch kódu.Odporúčania TensorFlowje skvelé, ak chcete ísť hlbšie.
Udržujte to čerstvé.Odporúčania rýchlo zastarávajú. Nastavte si týždennú úlohu na preškolenie modelu s novými údajmi. Vkus používateľa v januári môže byť v marci úplne iný.

Ak si to nechcete stavať sami, spravované služby to zvládnu.Prispôsobenie AWSumožňuje vkladať údaje a získavať odporúčania späť prostredníctvom rozhrania API.AI odporúčaní spoločnosti Googlerobí to isté. Obe majú bezplatné úrovne, ktoré sú dostatočne veľkorysé pre malé aplikácie.

Vytvorenie vášho prvého systému odporúčaní

Sledovanie akcií používateľov

Zapisujte si kliknutia, lajky, nákupy a strávený čas

Začnite jednoducho

"Najobľúbenejšie" alebo "tiež kupované" so základnými SQL dotazmi

Pridať knižnicu

Použite Python's Surprise alebo TensorFlow Recommenders

Týždenne preškoliť

Udržujte odporúčania čerstvé, pretože vkus používateľov sa mení

Merajte, čo funguje

Sledujte miery prekliknutia na svojich odporúčaniach

Kľúčové poznatky

Nemusíte byť dátovým vedcom.Jednoduchý dotaz „ľudia, ktorým sa páčilo X, páčilo aj Y“ dokáže s malou aplikáciou zázraky.
Začnite s tým, čo máte.Dokonca aj základné údaje o kliknutiach postačujú na získanie užitočných odporúčaní.
K dispozícii sú bezplatné nástroje na zdvíhanie ťažkých bremien.Knižnice ako Surprise a spravované služby ako AWS Personalize majú bezplatné úrovne ideálne pre vývojárov sólo.
Udržujte to čerstvé.Pravidelne precvičujte svoj model. Zastarané odporúčania sú horšie ako žiadne.
Zmerajte dopad.Sledujte, či používatelia skutočne klikajú na vaše odporúčania. Ak nie, upravte svoj prístup.

Záver

Systémy odporúčaní nie sú len pre technologických gigantov s masívnymi inžinierskymi tímami. Ako samostatný vývojár môžete začať s niečím tak jednoduchým, ako je „najpopulárnejšie tento týždeň“ a postupne sa prepracovať k personalizovaným návrhom založeným na skutočných používateľských údajoch. Nástroje sú bezplatné, knižnice sú vhodné pre začiatočníkov a vplyv na zapojenie používateľov môže byť obrovský.

Kľúčom je len začať. Sledujte správanie používateľov, vyskúšajte jednoduchý prístup a pokračujte ďalej. Vaši používatelia si všimnú rozdiel.

Pre ďalšie čítanie si pozriteGoogle's Recommendation Systems Guide, Prispôsobenie AWS, aDokumentácia knižnice prekvapení.