Kaj sploh je sistem priporočil?

Saj veste, ko Netflix predlaga oddajo in pomislite: "Kako je vedel?" Ali ko vam Amazon pokaže izdelke, ki so nenavadno popolni za vas? To je sistem priporočil na delu. To je v bistvu programska oprema, ki pogleda, kaj ste vi (in ljudje, kot ste vi) storili v preteklosti, in to uporabi, da ugiba, kaj boste verjetno želeli naslednje.

Dobra novica? Ni vam treba biti Netflix, da ga ustvarite. Če ste samostojni razvijalec, ki gradi aplikacijo, blog ali spletno trgovino, lahko dodate priporočila, da se vaši uporabniki vračajo. Razčlenimo, kako te stvari dejansko delujejo, v preprosti angleščini z resničnimi primeri, ki jim lahko sledite.

Dva glavna pristopa (z resničnimi primeri)

V ozadju vsakega priporočilnega sistema sta v resnici samo dve glavni zamisli. Ko jih razumete, so vse ostalo le variacije na temo.

1. Sodelovalno filtriranje: "Ljudje, kot ste vi, so tudi všeč ..."

Ta pristop obravnava, kaj so storili podobni uporabniki. Ni vseenokajvsebina pravzaprav je. Samo opazi vzorce v vedenju.

Primer iz resničnega sveta:Recimo, da izdelujete aplikacijo za recenzijo knjig. Uporabnik A je imel rad knjige #1, #2 in #3. Uporabniku B sta bili všeč knjigi št. 1 in št. 2, vendar knjige št. 3 še ni videl. Sodelovalno filtriranje pravi: "Uporabniku B bo verjetno všeč tudi knjiga #3, ker ima enak okus kot uporabnik A."

Točno tako deluje Spotifyjev seznam predvajanja "Discover Weekly". Poišče uporabnike s podobnimi poslušalskimi navadami kot vaše, nato pa priporoči pesmi, ki so jim bile všeč in jih še niste slišali.

2. Filtriranje na podlagi vsebine: "Ker vam je bila všeč ta posebna stvar ..."

Ta pristop obravnava dejanske značilnosti tega, s čimer je uporabnik komuniciral, nato pa najde več stvari s podobnimi lastnostmi.

Primer iz resničnega sveta:Gradite aplikacijo za recepte. Uporabnik kar naprej shranjuje recepte za vegetarijanske testenine, ki trajajo manj kot 30 minut. Filtriranje na podlagi vsebine bi priporočilo druge hitre vegetarijanske jedi s testeninami, tudi če jih še ni poskusil noben drug uporabnik, kersestavine in lastnostiujemati s tem, kar je temu uporabniku očitno ljubše.

YouTubova stranska vrstica »Sorodni videoposnetki« deluje na ta način. Pogleda oznake, naslov in kategorijo tega, kar gledate, nato pa najde videoposnetke s podobnimi atributi.

Dve vrsti sistemov priporočil

👥

Sodelovalno filtriranje
"Tudi uporabniki, kot ste vi, so uživali ..." (Spotify, Amazon)

🔍

Filtriranje na podlagi vsebine
"Ker ima ta izdelek podobne lastnosti ..." (YouTube, Netflix)

🧪

Hibrid (najboljše od obeh)
Združite oboje za boljše rezultate (kar počne večina velikih aplikacij)

📈

Na podlagi priljubljenosti (najlažji začetek)
»Najbolj priljubljen ta teden« – uporabniški podatki niso potrebni

⏱️

Posodobitve v realnem času
Takoj se prilagodite, ko uporabniki komunicirajo z vašo aplikacijo

Kaj pa vdelave? (Preprosteje je, kot se sliši)

V vadnicah za priporočilni sistem boste pogosto slišali izraz "vdelave". Sliši se zastrašujoče, a ideja je povsem preprosta.

Pomislite na to takole: predstavljajte si, da je vsak uporabnik in vsak element v vaši aplikaciji postavljen na ogromen zemljevid. Uporabniki, ki imajo radi podobne stvari, so na zemljevidu blizu skupaj. Predmeti, ki so podobni, se prav tako znajdejo blizu skupaj. "Vdelava" je samo koordinate (lokacija) uporabnika ali predmeta na tem zemljevidu.

Primer iz resničnega sveta:V glasbeni aplikaciji bi bil uporabnik, ki posluša jazz, blues in soul, na zemljevidu postavljen blizu teh zvrsti. Uporabnik, ki posluša metal in punk, bi bil na povsem drugem področju. Ko izide nov jazz album, sistem na zemljevidu preveri, katerim uporabnikom je jazz »blizu«, in jim ga priporoči.

Zakaj je to pomembno, če aplikacijo izdelujete sami

Če ste samostojni razvijalec, lahko dodajanje celo preprostega sistema priporočil spremeni igro za ohranjanje angažiranosti uporabnikov. Evo zakaj:

Uporabniki ostanejo dlje.Ko ljudje vidijo vsebino, ki se zdi osebno izbrana zanje, preživijo več časa v vaši aplikaciji. Pomislite, kako nenehno brskate po TikToku, ker vam ves čas prikazuje točno to, kar vas zanima.
Uporabniki odkrijejo več vaše vsebine.Če imate blog z 200 objavami, bo večina obiskovalcev videla le nekaj zadnjih. Razdelek »Morda vam bo tudi všeč« lahko prikaže starejše objave, ki so še vedno pomembne za vsakega bralca.
Uporabniki se pogosteje vračajo.Prilagojeni izvlečki e-pošte ("Tukaj je novega glede na vaša zanimanja") dajejo ljudem razlog, da se vrnejo. Tako vas Medium skrbi za klikanje člankov.

Kako ga dejansko zgraditi (korak za korakom)

Tukaj je praktičen načrt, ki vas ne bo preobremenil:

Začnite s sledenjem, kaj počnejo uporabniki.Preden lahko karkoli priporočite, potrebujete podatke. Spremljajte klike, všečke, prihranke, čas, porabljen na straneh, nakupe, karkoli je smiselno za vašo aplikacijo. Tudi preprosta tabela baze podatkov, kot jeuporabniški_id | item_id | dejanje | časovni žigje dovolj za začetek.
Začnite z najpreprostejšim pristopom.Ne skočite takoj na strojno učenje. Začnite z "najbolj priljubljenimi izdelki" ali "uporabniki, ki so kupili X, so kupili tudi Y." Za majhno aplikacijo lahko nekaj poizvedb SQL ustvari presenetljivo dobra priporočila.
Ko boste pripravljeni, diplomirajte v knjižnici.PythonovKnjižnica presenečenjapoenostavi skupno filtriranje. Delujoč model priporočila lahko imate v približno 20 vrsticah kode.Priporočevalci TensorFlowje super, če želite iti globlje.
Ohranite svežino.Priporočila hitro zastarajo. Nastavite tedensko nalogo, da ponovno usposobite svoj model z novimi podatki. Januarski okus uporabnika bo marca morda povsem drugačen.

Če ga ne želite zgraditi sami, lahko upravljane storitve obvladajo težko delo.AWS Personalizeomogoča vnašanje vaših podatkov in pridobivanje priporočil prek API-ja.Googlova umetna inteligenca za priporočilapočne isto stvar. Oba imata brezplačne ravni, ki so dovolj velikodušne za majhne aplikacije.

Izdelava vašega prvega sistema priporočil

Sledite dejanjem uporabnikov

Beležite klike, všečke, nakupe in porabljen čas

Začni preprosto

»Najbolj priljubljen« ali »tudi kupljen« z osnovnimi poizvedbami SQL

Dodajte knjižnico

Uporabite priporočila Python Surprise ali TensorFlow

Preusposabljanje tedensko

Naj bodo priporočila sveža, saj se okusi uporabnikov spreminjajo

Izmerite, kaj deluje

Sledite razmerjem med prikazi in kliki za vaša priporočila

Ključni zaključki

Ni vam treba biti podatkovni znanstvenik.Preprosta poizvedba "ljudje, ki jim je bil všeč X, jim je bil všeč tudi Y", lahko naredi čudeže za majhno aplikacijo.
Začni s tem, kar imaš.Že osnovni podatki o klikih zadoščajo za uporabna priporočila.
Obstajajo brezplačna orodja, ki opravljajo težka dela.Knjižnice, kot je Surprise, in upravljane storitve, kot je AWS Personalize, imajo brezplačne stopnje, kot nalašč za samostojne razvijalce.
Ohranite svežino.Redno znova usposobite svoj model. Zastarela priporočila so hujša kot brez priporočil.
Izmerite učinek.Spremljajte, ali uporabniki dejansko kliknejo vaša priporočila. Če ne, prilagodite svoj pristop.

Zaključek

Sistemi priporočil niso samo za tehnološke velikane z ogromnimi inženirskimi ekipami. Kot samostojni razvijalec lahko začnete z nečim tako preprostim, kot je »najbolj priljubljen ta teden«, in se postopoma prebijate do prilagojenih predlogov, ki temeljijo na resničnih uporabniških podatkih. Orodja so brezplačna, knjižnice so začetnikom prijazne in vpliv na angažiranost uporabnikov je lahko ogromen.

Ključno je le začeti. Sledite vedenju uporabnikov, preizkusite preprost pristop in ponovite od tam. Vaši uporabniki bodo opazili razliko.

Za nadaljnje branje si oglejteGooglov vodnik po sistemih priporočil, AWS Personalize, inDokumentacija knjižnice presenečenja.