ระบบการแนะนำคืออะไร?

คุณรู้ไหมว่าเมื่อ Netflix แนะนำรายการและคุณคิดว่า "รู้ได้อย่างไร" หรือเมื่อ Amazon แสดงผลิตภัณฑ์ที่สมบูรณ์แบบสำหรับคุณอย่างประหลาด? นั่นเป็นระบบการแนะนำในที่ทำงาน โดยพื้นฐานแล้วเป็นซอฟต์แวร์ที่จะตรวจสอบสิ่งที่คุณ (และคนเช่นคุณ) เคยทำในอดีต และใช้สิ่งนั้นเพื่อคาดเดาสิ่งที่คุณต้องการต่อไป

ข่าวดี? คุณไม่จำเป็นต้องเป็น Netflix ก็สร้างได้ หากคุณเป็นนักพัฒนาเดี่ยวที่สร้างแอป บล็อก หรือร้านค้าออนไลน์ คุณสามารถเพิ่มคำแนะนำเพื่อให้ผู้ใช้ของคุณกลับมาอีกได้ เรามาแจกแจงว่าสิ่งเหล่านี้ทำงานอย่างไรเป็นภาษาอังกฤษธรรมดา พร้อมตัวอย่างจริงที่คุณสามารถติดตามได้

สองแนวทางหลัก (พร้อมตัวอย่างจริง)

จริงๆ แล้วมีเพียงสองแนวคิดหลักที่อยู่เบื้องหลังระบบการแนะนำทุกระบบ เมื่อคุณเข้าใจสิ่งเหล่านี้แล้ว ทุกอย่างก็เป็นเพียงการเปลี่ยนแปลงของธีมเท่านั้น

1. การกรองแบบร่วมมือกัน: "คนแบบคุณก็ชอบเหมือนกัน..."

แนวทางนี้จะดูว่าผู้ใช้ที่คล้ายกันได้ทำอะไรบ้าง มันไม่สนใจอะไรเนื้อหาเป็นจริง มันแค่สังเกตรูปแบบพฤติกรรม

ตัวอย่างในโลกแห่งความเป็นจริง:สมมติว่าคุณกำลังสร้างแอปรีวิวหนังสือ ผู้ใช้หนังสือที่รัก #1, #2 และ #3 ผู้ใช้ B ชอบเล่ม #1 และ #2 แต่ยังไม่เคยเห็นเล่ม #3 การกรองร่วมกันกล่าวว่า "ผู้ใช้ B คงจะชอบหนังสือเล่มที่ 3 เช่นกัน เพราะมีรสนิยมเหมือนกับผู้ใช้ A"

นี่คือวิธีการทำงานของเพลย์ลิสต์ "Discover Weekly" ของ Spotify ค้นหาผู้ใช้ที่มีนิสัยการฟังคล้ายกับคุณ จากนั้นจะแนะนำเพลงที่พวกเขาชอบซึ่งคุณยังไม่เคยฟัง

2. การกรองตามเนื้อหา: "เพราะคุณชอบสิ่งนี้โดยเฉพาะ..."

แนวทางนี้จะพิจารณาคุณลักษณะที่แท้จริงของสิ่งที่ผู้ใช้โต้ตอบด้วย จากนั้นจึงค้นหาสิ่งต่างๆ ที่มีลักษณะคล้ายคลึงกัน

ตัวอย่างในโลกแห่งความเป็นจริง:คุณกำลังสร้างแอปสูตรอาหาร ผู้ใช้เก็บบันทึกสูตรพาสต้ามังสวิรัติที่ใช้เวลาไม่เกิน 30 นาที การกรองตามเนื้อหาจะแนะนำพาสต้ามังสวิรัติจานด่วนอื่นๆ แม้ว่ายังไม่มีผู้ใช้รายอื่นได้ลองก็ตาม เนื่องจากส่วนผสมและคุณสมบัติตรงกับสิ่งที่ผู้ใช้รายนี้ต้องการอย่างชัดเจน

แถบด้านข้าง "วิดีโอที่เกี่ยวข้อง" ของ YouTube ทำงานในลักษณะนี้ โดยจะดูที่แท็ก ชื่อ และหมวดหมู่ของสิ่งที่คุณกำลังดู จากนั้นค้นหาวิดีโอที่มีคุณสมบัติคล้ายกัน

ระบบการแนะนำสองประเภท

👥

การกรองการทำงานร่วมกัน
"ผู้ใช้เช่นคุณก็เพลิดเพลินเช่นกัน..." (Spotify, Amazon)

🔍

การกรองตามเนื้อหา
“เพราะว่ารายการนี้มีลักษณะคล้ายกัน…” (YouTube, Netflix)

🧪

ไฮบริด (ดีที่สุดทั้งสองอย่าง)
รวมทั้งสองอย่างเข้าด้วยกันเพื่อผลลัพธ์ที่ดีกว่า (สิ่งที่แอพขนาดใหญ่ส่วนใหญ่ทำ)

📈

ตามความนิยม (เริ่มต้นง่ายที่สุด)
"ได้รับความนิยมสูงสุดในสัปดาห์นี้" - ไม่ต้องใช้ข้อมูลผู้ใช้

⏱️

การอัปเดตตามเวลาจริง
ปรับเปลี่ยนได้ทันทีเมื่อผู้ใช้โต้ตอบกับแอปของคุณ

สิ่งที่เกี่ยวกับการฝัง? (มันง่ายกว่าที่คิด)

คุณจะได้ยินคำว่า "การฝัง" บ่อยครั้งในบทช่วยสอนระบบการแนะนำ ฟังดูน่ากลัว แต่แนวคิดนี้ง่ายมาก

ลองคิดดู: ลองนึกภาพผู้ใช้ทุกคนและทุกรายการในแอปของคุณถูกวางลงบนแผนที่ขนาดยักษ์ ผู้ใช้ที่ชอบสิ่งที่คล้ายกันจะอยู่ใกล้กันบนแผนที่ สิ่งของที่คล้ายกันก็จะอยู่ใกล้กันเช่นกัน "การฝัง" เป็นเพียงพิกัด (ตำแหน่ง) ของผู้ใช้หรือรายการบนแผนที่นั้น

ตัวอย่างในโลกแห่งความเป็นจริง:ในแอปเพลง ผู้ใช้ที่ฟังแจ๊ส บลูส์ และโซลจะถูกวางไว้ใกล้กับแนวเพลงเหล่านั้นบนแผนที่ ผู้ใช้ที่ฟังเมทัลและพังค์จะอยู่ในขอบเขตที่แตกต่างไปจากเดิมอย่างสิ้นเชิง เมื่อมีอัลบั้มแจ๊สใหม่ออกมา ระบบจะตรวจสอบว่าผู้ใช้คนไหน "ใกล้" กับดนตรีแจ๊สบนแผนที่และแนะนำให้พวกเขาทราบ

เหตุใดจึงสำคัญหากคุณสร้างแอปเพียงลำพัง

หากคุณเป็นนักพัฒนาเดี่ยว การเพิ่มแม้แต่ระบบแนะนำง่ายๆ ก็สามารถเป็นตัวเปลี่ยนเกมในการทำให้ผู้ใช้มีส่วนร่วมได้ นี่คือเหตุผล:

ผู้ใช้จะคงอยู่นานขึ้นเมื่อผู้คนเห็นเนื้อหาที่รู้สึกว่าถูกเลือกเป็นการส่วนตัว พวกเขาจะใช้เวลาในแอปของคุณมากขึ้น ลองนึกถึงวิธีที่คุณเลื่อนดู TikTok ต่อไปเพราะมันจะแสดงให้คุณเห็นว่าคุณกำลังสนใจอะไรอยู่
ผู้ใช้ค้นพบเนื้อหาของคุณมากขึ้นหากคุณมีบล็อกที่มีโพสต์ 200 โพสต์ ผู้เยี่ยมชมส่วนใหญ่จะเห็นเฉพาะโพสต์ล่าสุดเพียงบางส่วนเท่านั้น ส่วน "คุณอาจชอบ" จะแสดงโพสต์เก่าๆ ที่ยังคงเกี่ยวข้องกับผู้อ่านแต่ละคน
ผู้ใช้กลับมาบ่อยขึ้นอีเมลสรุปส่วนบุคคล ("นี่คือสิ่งใหม่ๆ ตามความสนใจของคุณ") ทำให้ผู้คนมีเหตุผลที่จะกลับมา นี่คือวิธีที่ Medium ช่วยให้คุณคลิกบทความได้

วิธีการสร้างจริง (ทีละขั้นตอน)

ต่อไปนี้เป็นแผนงานที่เป็นประโยชน์ซึ่งจะไม่ทำให้คุณรู้สึกหนักใจ:

เริ่มต้นด้วยการติดตามสิ่งที่ผู้ใช้ทำก่อนที่คุณจะแนะนำอะไรได้ คุณต้องมีข้อมูลก่อน ติดตามการคลิก การถูกใจ การบันทึก เวลาที่ใช้ในเพจ การซื้อ หรืออะไรก็ตามที่เหมาะสมสำหรับแอปของคุณ แม้แต่ตารางฐานข้อมูลธรรมดาๆ เช่นuser_id | item_id | การกระทำ | การประทับเวลาก็เพียงพอที่จะเริ่มต้น
เริ่มต้นด้วยแนวทางที่ง่ายที่สุดอย่าข้ามไปที่การเรียนรู้ของเครื่องโดยตรง เริ่มต้นด้วย "สินค้ายอดนิยม" หรือ "ผู้ใช้ที่ซื้อ X ก็ซื้อ Y ด้วย" สำหรับแอปขนาดเล็ก ข้อความค้นหา SQL บางส่วนสามารถขับเคลื่อนคำแนะนำที่ดีอย่างน่าประหลาดใจได้
เข้าเรียนที่ห้องสมุดเมื่อคุณพร้อมหลามห้องสมุดเซอร์ไพรส์ทำให้การกรองร่วมกันเป็นเรื่องง่าย คุณสามารถมีโมเดลคำแนะนำการทำงานได้ในโค้ดประมาณ 20 บรรทัดผู้แนะนำ TensorFlowดีมากถ้าคุณต้องการเจาะลึก
ให้มันสด.คำแนะนำเริ่มล้าสมัยอย่างรวดเร็ว ตั้งค่างานรายสัปดาห์เพื่อฝึกโมเดลของคุณด้วยข้อมูลใหม่ รสนิยมของผู้ใช้ในเดือนมกราคมอาจแตกต่างกันอย่างสิ้นเชิงในเดือนมีนาคม

หากคุณไม่ต้องการสร้างด้วยตนเอง บริการที่มีการจัดการก็สามารถรองรับการยกของหนักได้AWS ปรับแต่งช่วยให้คุณป้อนข้อมูลและรับคำแนะนำกลับผ่าน APIAI คำแนะนำของ Googleทำสิ่งเดียวกัน ทั้งสองมี Tier ฟรีที่เพียงพอสำหรับแอปขนาดเล็ก

การสร้างระบบการแนะนำครั้งแรกของคุณ

ติดตามการกระทำของผู้ใช้

บันทึกการคลิก การถูกใจ การซื้อ และเวลาที่ใช้

เริ่มต้นง่ายๆ

"ยอดนิยม" หรือ "ซื้อด้วย" พร้อมคำสั่ง SQL พื้นฐาน

เพิ่มห้องสมุด

ใช้เซอร์ไพร์สของ Python หรือผู้แนะนำ TensorFlow

ฝึกใหม่ทุกสัปดาห์

รักษาคำแนะนำให้สดใหม่อยู่เสมอเมื่อรสนิยมของผู้ใช้เปลี่ยนไป

วัดผลอะไรได้ผล

ติดตามอัตราการคลิกผ่านคำแนะนำของคุณ

ประเด็นสำคัญ

คุณไม่จำเป็นต้องเป็นนักวิทยาศาสตร์ข้อมูลข้อความค้นหาง่ายๆ "ผู้ที่ชอบ X ก็ชอบ Y" สามารถทำงานได้อย่างมหัศจรรย์สำหรับแอปขนาดเล็ก
เริ่มต้นด้วยสิ่งที่คุณมีแม้แต่ข้อมูลการคลิกพื้นฐานก็เพียงพอที่จะขับเคลื่อนคำแนะนำที่เป็นประโยชน์ได้
มีเครื่องมือฟรีช่วยยกของหนักไลบรารี เช่น Surprise และบริการที่ได้รับการจัดการ เช่น AWS Personalize มี Tier ฟรีที่สมบูรณ์แบบสำหรับ Developer คนเดียว
ให้มันสด.ฝึกโมเดลของคุณใหม่เป็นประจำ คำแนะนำเก่าๆ นั้นแย่ยิ่งกว่าไม่มีคำแนะนำเลย
วัดผลกระทบติดตามว่าผู้ใช้คลิกคำแนะนำของคุณจริงหรือไม่ หากไม่เป็นเช่นนั้น ให้ปรับเปลี่ยนแนวทางของคุณ

บทสรุป

ระบบการแนะนำไม่ได้มีไว้สำหรับบริษัทยักษ์ใหญ่ด้านเทคโนโลยีที่มีทีมวิศวกรขนาดใหญ่เท่านั้น ในฐานะนักพัฒนาเดี่ยว คุณสามารถเริ่มต้นด้วยสิ่งที่ง่ายอย่าง "ได้รับความนิยมมากที่สุดในสัปดาห์นี้" และค่อยๆ พัฒนาไปสู่คำแนะนำเฉพาะตัวที่ขับเคลื่อนโดยข้อมูลผู้ใช้จริง เครื่องมือนี้ใช้งานได้ฟรี ไลบรารี่นั้นเป็นมิตรกับผู้เริ่มต้น และผลกระทบต่อการมีส่วนร่วมของผู้ใช้อาจมีมหาศาล

สิ่งสำคัญคือเพียงแค่เริ่มต้น ติดตามพฤติกรรมของผู้ใช้ ลองใช้แนวทางง่ายๆ และทำซ้ำจากจุดนั้น ผู้ใช้ของคุณจะสังเกตเห็นความแตกต่าง

หากต้องการอ่านเพิ่มเติมโปรดดูคู่มือระบบการแนะนำของ Google, AWS ปรับแต่งและเอกสารห้องสมุดเซอร์ไพรส์.