Vad är ens ett rekommendationssystem?

Du vet när Netflix föreslår en serie och du tänker "Hur visste det?" Eller när Amazon visar dig produkter som är konstigt perfekta för dig? Det är ett rekommendationssystem på jobbet. Det är i grunden programvara som tittar på vad du (och människor som du) har gjort tidigare, och använder det för att gissa vad du förmodligen kommer att vilja härnäst.

De goda nyheterna? Du behöver inte vara Netflix för att bygga en. Om du är en ensamutvecklare som bygger en app, en blogg eller en onlinebutik kan du lägga till rekommendationer för att få dina användare att komma tillbaka. Låt oss bryta ner hur dessa saker faktiskt fungerar, på vanlig engelska, med verkliga exempel som du kan följa.

De två huvudsakliga tillvägagångssätten (med verkliga exempel)

Det finns egentligen bara två kärnidéer bakom varje rekommendationssystem. När du väl förstår dessa är allt annat bara variationer på temat.

1. Samarbetsfiltrering: "Människor som du gillade också..."

Detta tillvägagångssätt tittar på vad liknande användare har gjort. Det bryr sig intevadinnehållet faktiskt är. Den märker bara beteendemönster.

Exempel från verkligheten:Säg att du bygger en bokrecensionsapp. Användare A älskade böcker #1, #2 och #3. Användare B älskade böcker #1 och #2 men har inte sett bok #3 än. Samarbetsfiltrering säger: "Användare B kommer förmodligen att älska bok #3 också, eftersom de har samma smak som användare A."

Det är precis så här Spotifys "Discover Weekly"-spellista fungerar. Den hittar användare med liknande lyssnarvanor som dina, och rekommenderar sedan låtar de älskade som du inte har hört ännu.

2. Innehållsbaserad filtrering: "För att du gillade denna specifika sak..."

Detta tillvägagångssätt tittar på de faktiska egenskaperna hos det en användare har interagerat med, och hittar sedan fler saker med liknande egenskaper.

Exempel från verkligheten:Du bygger en receptapp. En användare fortsätter att spara vegetariska pastarecept som tar under 30 minuter. Innehållsbaserad filtrering skulle rekommendera andra snabba vegetariska pastarätter, även om ingen annan användare har provat dem ännu, eftersomingredienser och attributmatcha vad denna användare tydligt föredrar.

YouTubes sidofält "Related Videos" fungerar på detta sätt. Den tittar på taggarna, titeln och kategorin för det du tittar på och hittar sedan videor med liknande attribut.

Två typer av rekommendationssystem

👥

Kollaborativ filtrering
"Användare som du tyckte också..." (Spotify, Amazon)

🔍

Innehållsbaserad filtrering
"Eftersom det här objektet har liknande egenskaper..." (YouTube, Netflix)

🧪

Hybrid (bäst av båda)
Kombinera båda för bättre resultat (vad de flesta stora appar gör)

📈

Popularitetsbaserad (enklaste starten)
"Mest populär den här veckan" - ingen användardata behövs

⏱️

Uppdateringar i realtid
Anpassa dig direkt när användarna interagerar med din app

Hur är det med inbäddningar? (Det är enklare än det låter)

Du kommer att höra termen "inbäddningar" mycket i självstudier för rekommendationer. Det låter skrämmande, men idén är dödlig.

Tänk på det så här: föreställ dig att varje användare och varje objekt i din app placeras på en gigantisk karta. Användare som gillar liknande saker hamnar nära varandra på kartan. Föremål som liknar hamnar också nära varandra. En "inbäddning" är bara koordinaterna (platsen) för en användare eller objekt på den kartan.

Exempel från verkligheten:I en musikapp skulle en användare som lyssnar på jazz, blues och soul placeras nära dessa genrer på kartan. En användare som lyssnar på metal och punk skulle vara i ett helt annat område. När ett nytt jazzalbum kommer ut kontrollerar systemet vilka användare som är "nära" jazzen på kartan och rekommenderar det till dem.

Varför detta är viktigt om du bygger en app ensam

Om du är en solo-utvecklare, kan lägga till även ett enkelt rekommendationssystem vara en spelväxlare för att hålla användarna engagerade. Här är varför:

Användare stannar kvar längre.När människor ser innehåll som känns personligt utvalt för dem spenderar de mer tid i din app. Tänk på hur du fortsätter att rulla TikTok eftersom det hela tiden visar dig exakt vad du gillar.
Användare upptäcker mer av ditt innehåll.Om du har en blogg med 200 inlägg kommer de flesta besökare bara att se de senaste få. Ett avsnitt "Du kanske också gillar" kan visa äldre inlägg som fortfarande är relevanta för varje läsare.
Användare kommer tillbaka oftare.Personliga e-postsammandrag ("Här är vad som är nytt baserat på dina intressen") ger människor en anledning att återvända. Så här får Medium dig att klicka på artiklar.

Hur man faktiskt bygger en (steg för steg)

Här är en praktisk färdplan som inte kommer att överväldiga dig:

Börja med att spåra vad användare gör.Innan du kan rekommendera något behöver du data. Spåra klick, gilla-markeringar, besparingar, tid som spenderas på sidor, köp, vad som helst som är vettigt för din app. Även en enkel databastabell somuser_id | artikel-id | åtgärd | tidsstämpelräcker för att börja.
Börja med det enklaste tillvägagångssättet.Hoppa inte direkt till maskininlärning. Börja med "mest populära föremål" eller "användare som köpte X köpte också Y." För en liten app kan några SQL-frågor ge förvånansvärt bra rekommendationer.
Ta examen till ett bibliotek när du är redo.PythonsÖverraskningsbibliotekgör kollaborativ filtrering helt enkelt. Du kan ha en fungerande rekommendationsmodell i cirka 20 rader kod.TensorFlow-rekommendationerär bra om du vill gå djupare.
Håll det fräscht.Rekommendationer blir snabbt inaktuella. Skapa ett veckojobb för att omskola din modell med ny data. En användares smak i januari kan vara helt annorlunda i mars.

Om du inte vill bygga det själv kan managed services klara de tunga lyften.AWS Anpassalåter dig mata in din data och få rekommendationer tillbaka via ett API.Googles rekommendationer AIgör samma sak. Båda har gratis nivåer som är generösa nog för små appar.

Bygg ditt första rekommendationssystem

Spåra användaråtgärder

Logga klick, gilla-markeringar, köp och tid

Börja enkelt

"Mest populär" eller "köpt också" med grundläggande SQL-frågor

Lägg till ett bibliotek

Använd Pythons överrasknings- eller TensorFlow-rekommendationer

Omskola varje vecka

Håll rekommendationerna uppdaterade när användarnas smaker förändras

Mät vad som fungerar

Spåra klickfrekvenser på dina rekommendationer

Viktiga takeaways

Du behöver inte vara datavetare.En enkel "personer som gillade X gillade också Y"-fråga kan göra underverk för en liten app.
Börja med det du har.Även grundläggande klickdata räcker för att ge användbara rekommendationer.
Det finns gratis verktyg som gör det tunga lyftet.Bibliotek som Surprise och hanterade tjänster som AWS Personalize har gratisnivåer perfekta för solo-utvecklare.
Håll det fräscht.Träna om din modell regelbundet. Inaktuella rekommendationer är värre än inga rekommendationer.
Mät effekten.Spåra om användare faktiskt klickar på dina rekommendationer. Om de inte gör det, justera ditt tillvägagångssätt.

Slutsats

Rekommendationssystem är inte bara för tekniska jättar med massiva ingenjörsteam. Som ensamutvecklare kan du börja med något så enkelt som "mest populärt den här veckan" och gradvis arbeta dig upp till personliga förslag som drivs av riktig användardata. Verktygen är gratis, biblioteken är nybörjarvänliga och påverkan på användarens engagemang kan vara enorm.

Nyckeln är att bara börja. Spåra användarbeteende, prova ett enkelt tillvägagångssätt och upprepa därifrån. Dina användare kommer att märka skillnaden.

För mer läsning, kolla inGoogles systemguide för rekommendationer, AWS Anpassa, ochÖverraskande biblioteksdokumentation.