Шта је уопште систем препорука?

Знате када Нетфлик предложи емисију и помислите: "Како сте знали?" Или када вам Амазон покаже производе који су чудно савршени за вас? То је систем препорука на дјелу. То је у основи софтвер који гледа шта сте ви (и људи попут вас) радили у прошлости и користи то да погоди шта ћете вероватно желети следеће.

Добре вести? Не морате бити Нетфлик да бисте га направили. Ако сте соло програмер који прави апликацију, блог или продавницу на мрежи, можете додати препоруке како бисте наставили да се ваши корисници враћају. Хајде да разложимо како ове ствари заправо функционишу, на обичном енглеском, са стварним примерима које можете пратити.

Два главна приступа (са стварним примерима)

У ствари, постоје само две основне идеје иза сваког система препорука. Једном када ово разумете, све остало су само варијације на тему.

1. Колаборативно филтрирање: „Људи попут вас су такође волели...“

Овај приступ посматра шта су слични корисници урадили. Није бригаштасадржај заправо јесте. Оно само примећује обрасце у понашању.

Пример из стварног света:Рецимо да правите апликацију за рецензије књига. Корисник А је волео књиге #1, #2 и #3. Корисник Б је волео књиге #1 и #2, али још увек није видео књигу #3. Колаборативно филтрирање каже: „Кориснику Б ће се вероватно свидети и књига бр. 3, јер имају исти укус као корисник А.“

Управо овако функционише Спотифи-јева листа песама „Дисцовер Веекли“. Проналази кориснике са сличним навикама слушања као и ваше, а затим препоручује песме које су им се допале, а које још нисте чули.

2. Филтрирање засновано на садржају: „Зато што вам се допала ова специфична ствар...“

Овај приступ посматра стварне карактеристике онога са чиме је корисник ступио у интеракцију, а затим проналази још ствари са сличним особинама.

Пример из стварног света:Правите апликацију за рецепт. Корисник наставља да чува вегетаријанске рецепте за тестенину за које је потребно мање од 30 минута. Филтрирање засновано на садржају би препоручило друга брза вегетаријанска јела од тестенине, чак и ако их ниједан други корисник још није пробао, јерсастојци и атрибутиодговара ономе што овај корисник очигледно преферира.

ИоуТубе-ова бочна трака „Сродни видео снимци“ функционише на овај начин. Гледа ознаке, наслов и категорију онога што гледате, а затим проналази видео снимке са сличним атрибутима.

Две врсте система препорука

👥

Колаборативно филтрирање
„Корисници попут вас су такође уживали...“ (Спотифи, Амазон)

🔍

Филтрирање засновано на садржају
„Зато што ова ставка има сличне особине...“ (ИоуТубе, Нетфлик)

🧪

Хибрид (најбоље од оба)
Комбинујте оба за боље резултате (оно што већина великих апликација ради)

📈

Засновано на популарности (најлакши почетак)
„Најпопуларнији ове недеље“ – нису потребни кориснички подаци

⏱

Ажурирања у реалном времену
Прилагодите се одмах док корисници ступају у интеракцију са вашом апликацијом

Шта је са уградњом? (Једноставније је него што звучи)

Често ћете чути термин „уградња“ у упутствима за систем препорука. Звучи застрашујуће, али идеја је крајње једноставна.

Размислите о томе овако: замислите да се сваки корисник и свака ставка у вашој апликацији постави на огромну мапу. Корисници који воле сличне ствари завршавају близу једни другима на мапи. Предмети који су слични такође завршавају близу један другом. „Уграђивање“ су само координате (локација) корисника или ставке на тој мапи.

Пример из стварног света:У музичкој апликацији, корисник који слуша џез, блуз и соул био би постављен близу тих жанрова на мапи. Корисник који слуша метал и панк био би у потпуно другом подручју. Када изађе нови џез албум, систем проверава који су корисници „блиски” џезу на мапи и препоручује им га.

Зашто је ово важно ако сами правите апликацију

Ако сте соло програмер, додавање чак и једноставног система препорука може да промени игру како би корисници остали ангажовани. Ево зашто:

Корисници остају дуже.Када људи виде садржај који им се чини лично одабраним, проводе више времена у вашој апликацији. Размислите о томе како настављате да скролујете по ТикТок-у јер вам стално показује шта тачно волите.
Корисници откривају више вашег садржаја.Ако имате блог са 200 постова, већина посетилаца ће видети само неколико најновијих. Одељак „Можда ће вам се такође свидети“ може да прикаже старије постове који су још увек релевантни за сваког читаоца.
Корисници се чешће враћају.Персонализовани сажетци е-поште („Ево шта је ново на основу ваших интересовања“) дају људима разлог да се врате. Овако вас Медиум држи да кликнете на чланке.

Како заправо направити један (корак по корак)

Ево практичне мапе пута која вас неће преплавити:

Почните тако што ћете пратити шта корисници раде.Пре него што можете било шта да препоручите, потребни су вам подаци. Пратите кликове, свиђања, уштеде, време проведено на страницама, куповине, шта год има смисла за вашу апликацију. Чак и једноставна табела базе података као што јеусер_ид | итем_ид | акција | временска ознакадовољно је за почетак.
Почните са најједноставнијим приступом.Не прелазите директно на машинско учење. Почните са „најпопуларнијим артиклима“ или „корисници који су купили Кс такође су купили И“. За малу апликацију, неколико СКЛ упита може дати изненађујуће добре препоруке.
Дипломирајте у библиотеку када будете спремни.Питхон'сБиблиотека изненађењачини колаборативно филтрирање крајње једноставним. Можете имати радни модел препоруке у око 20 линија кода.ТенсорФлов Рецоммендерсје сјајно ако желите да идете дубље.
Нека буде свежа.Препоруке брзо застаревају. Подесите недељни посао да поново обучите свој модел новим подацима. Укус корисника у јануару би могао бити потпуно другачији до марта.

Ако не желите да га сами изградите, управљане услуге могу да поднесу тежак посао.АВС Персонализеомогућава вам да уносите своје податке и добијате препоруке назад преко АПИ-ја.АИ за Гоогле препорукеради исту ствар. Оба имају бесплатне нивое који су довољно издашни за мале апликације.

Изградња вашег првог система препорука

Пратите радње корисника

Забележите кликове, свиђања, куповине и утрошено време

Старт Симпле

„Најпопуларнији“ или „такође купљени“ са основним СКЛ упитима

Додајте библиотеку

Користите Питхон Сурприсе или ТенсорФлов Рецоммендерс

Ретраин Веекли

Одржавајте препоруке свеже како се укуси корисника мењају

Измери шта ради

Пратите стопе учесталости кликова на своје препоруке

Кеи Такеаваис

Не морате да будете научник података.Једноставан упит „људи којима се допао Кс такође је волео И“ може учинити чуда за малу апликацију.
Почните са оним што имате.Чак су и основни подаци о кликовима довољни да дају корисне препоруке.
Постоје бесплатни алати који обављају тешке послове.Библиотеке као што је Сурприсе и управљане услуге као што је АВС Персонализе имају бесплатне нивое савршене за соло програмере.
Нека буде свежа.Редовно обучавајте свој модел. Устајале препоруке су горе него никакве препоруке.
Измерите утицај.Пратите да ли корисници заиста кликну на ваше препоруке. Ако не, прилагодите свој приступ.

Закључак

Системи препорука нису само за технолошке гиганте са огромним инжењерским тимовима. Као соло програмер, можете почети са нечим једноставним као што је „најпопуларније ове недеље“ и постепено напредовати до персонализованих предлога заснованих на стварним корисничким подацима. Алати су бесплатни, библиотеке су прилагођене почетницима, а утицај на ангажовање корисника може бити огроман.

Кључ је само почети. Пратите понашање корисника, испробајте једноставан приступ и поновите одатле. Ваши корисници ће приметити разлику.

За даље читање, погледајтеГоогле-ов водич за системе препорука, АВС Персонализе, анд тхеДокументација библиотеке изненађења.