Що таке система рекомендацій?

Ви знаєте, коли Netflix пропонує шоу, і ви думаєте: «Звідки він дізнався?» Або коли Amazon показує вам продукти, які на диво ідеальні для вас? Це система рекомендацій на роботі. В основному це програмне забезпечення, яке розглядає те, що ви (і люди, як ви) робили в минулому, і використовує це, щоб вгадати, що ви, ймовірно, захочете далі.

Хороші новини? Вам не потрібно бути Netflix, щоб створити його. Якщо ви самостійний розробник, який створює додаток, блог чи онлайн-магазин, ви можете додати рекомендації, щоб ваші користувачі поверталися. Давайте розберемо, як ці речі насправді працюють, простою англійською мовою з реальними прикладами, які ви можете наслідувати.

Два основних підходи (з реальними прикладами)

За кожною системою рекомендацій насправді є лише дві основні ідеї. Якщо ви це зрозумієте, усе інше стане лише варіаціями на тему.

1. Спільна фільтрація: «Людям, подібним до вас, також сподобалося...»

Цей підхід розглядає дії схожих користувачів. Це не хвилюєщозміст насправді є. Він просто помічає моделі поведінки.

Реальний приклад:Скажімо, ви створюєте додаток для перегляду книг. Користувач А любив книги №1, №2 та №3. Користувачеві B сподобалися книги №1 і №2, але він ще не бачив книгу №3. Спільна фільтрація говорить: «Користувач B, мабуть, також любить книгу №3, тому що вони мають той самий смак, що й користувач A».

Саме так працює список відтворення «Discover Weekly» Spotify. Він знаходить користувачів із подібними звичками слухання, а потім рекомендує улюблені пісні, які ви ще не чули.

2. Фільтрування на основі вмісту: «Оскільки вам сподобалася ця конкретна річ...»

Цей підхід розглядає фактичні характеристики того, з чим взаємодіяв користувач, а потім знаходить більше речей із подібними рисами.

Реальний приклад:Ви створюєте програму рецептів. Користувач постійно зберігає рецепти вегетаріанської пасти, які займають менше 30 хвилин. Фільтрація на основі вмісту рекомендує інші швидкі вегетаріанські страви з макаронами, навіть якщо жоден інший користувач ще не пробував їх, оскількиінгредієнти та атрибутивідповідати тому, що явно надає перевагу цьому користувачу.

Бічна панель YouTube «Пов’язані відео» працює таким чином. Він переглядає теги, назву та категорію того, що ви переглядаєте, а потім знаходить відео зі схожими атрибутами.

Два типи систем рекомендацій

👥

Спільна фільтрація
«Таким користувачам, як ви, також сподобалося...» (Spotify, Amazon)

🔍

Фільтрування на основі вмісту
«Оскільки цей предмет має схожі риси...» (YouTube, Netflix)

🧪

Гібрид (найкраще з обох)
Поєднайте обидва для кращих результатів (те, що робить більшість великих програм)

📈

На основі популярності (найлегший початок)
"Найпопулярніший цього тижня" - дані користувача не потрібні

⏱️

Оновлення в реальному часі
Миттєво адаптуйтеся, коли користувачі взаємодіють із вашим додатком

Що щодо вбудовування? (Це простіше, ніж звучить)

Ви часто чуєте термін «вбудовування» в посібниках із системи рекомендацій. Звучить лякаюче, але ідея надзвичайно проста.

Подумайте про це так: уявіть, що кожен користувач і кожен елемент у вашій програмі розміщені на гігантській карті. Користувачі, яким подобаються схожі речі, опиняються на карті поруч. Схожі предмети також опиняються поруч. "Вбудовування" - це лише координати (місце розташування) користувача або елемента на цій карті.

Реальний приклад:У музичному додатку користувач, який слухає джаз, блюз і соул, буде розміщений біля цих жанрів на карті. Користувач, який слухає метал і панк, буде в зовсім іншій сфері. Коли виходить новий джазовий альбом, система перевіряє, кому з користувачів «близький» джаз на карті, і рекомендує їм його.

Чому це важливо, якщо ви створюєте додаток самостійно

Якщо ви самостійний розробник, додавання навіть простої системи рекомендацій може кардинально змінити правила гри для підтримки зацікавленості користувачів. Ось чому:

Користувачі залишаються довше.Коли люди бачать вміст, який, здається, вибрали особисто для них, вони проводять більше часу у вашому додатку. Подумайте про те, як ви продовжуєте прокручувати TikTok, оскільки він постійно показує вам саме те, що вам подобається.
Користувачі дізнаються більше про ваш вміст.Якщо у вас є блог із 200 публікаціями, більшість відвідувачів побачать лише кілька останніх. Розділ «Вам також може сподобатися» може показувати старі публікації, які все ще актуальні для кожного читача.
Користувачі повертаються частіше.Персоналізовані дайджести електронної пошти («Ось що нового на основі ваших інтересів») дають людям привід повернутися. Ось як Medium змушує вас натискати статті.

Як насправді створити один (крок за кроком)

Ось практична дорожня карта, яка не перевантажить вас:

Почніть із відстеження того, що роблять користувачі.Перш ніж щось рекомендувати, вам потрібні дані. Відстежуйте кліки, оцінки "подобається", збереження, час, витрачений на сторінки, покупки, усе, що має сенс для вашої програми. Навіть проста таблиця бази даних, якuser_id | item_id | дія | позначка часудостатньо для початку.
Почніть з найпростішого підходу.Не переходьте відразу до машинного навчання. Почніть із «найпопулярніших товарів» або «користувачі, які купили X, також купили Y». Для невеликої програми кілька SQL-запитів можуть дати напрочуд хороші рекомендації.
Коли будете готові, перейдіть до бібліотеки.PythonБібліотека сюрпризівспрощує спільну фільтрацію. Ви можете мати робочу модель рекомендації приблизно в 20 рядках коду.Рекомендації TensorFlowчудово, якщо ви хочете піти глибше.
Зберігайте його свіжим.Рекомендації швидко застарівають. Налаштуйте щотижневе завдання, щоб перенавчати свою модель новими даними. Смак користувача в січні може бути зовсім іншим до березня.

Якщо ви не хочете створювати його самостійно, керовані служби впораються з важким завданням.Персоналізація AWSдозволяє вводити дані та отримувати рекомендації через API.ШІ рекомендацій Googleробить те саме. Обидва мають безкоштовні рівні, достатньо щедрі для невеликих програм.

Створення вашої першої системи рекомендацій

Відстеження дій користувача

Реєстрація кліків, лайків, покупок і витраченого часу

Почніть з простого

«Найпопулярніший» або «також куплений» із базовими запитами SQL

Додайте бібліотеку

Використовуйте рекомендації Python Surprise або TensorFlow

Перепідготовка щотижня

Зберігайте рекомендації свіжими, оскільки смаки користувачів змінюються

Вимірюйте те, що працює

Відстежуйте показники кліків ваших рекомендацій

Ключові висновки

Вам не потрібно бути науковцем з даних.Простий запит «люди, яким сподобався X, також сподобався Y», може творити чудеса для невеликої програми.
Почніть з того, що маєте.Навіть базових даних про кліки достатньо, щоб отримати корисні рекомендації.
Є безкоштовні інструменти, які виконують важку роботу.Такі бібліотеки, як Surprise, і керовані сервіси, як-от AWS Personalize, мають безкоштовні рівні, ідеальні для самостійних розробників.
Зберігайте його свіжим.Регулярно перенавчайте свою модель. Застарілі рекомендації гірше, ніж їх відсутність.
Виміряйте вплив.Відстежуйте, чи дійсно користувачі натискають ваші рекомендації. Якщо ні, змініть свій підхід.

Висновок

Системи рекомендацій призначені не лише для технологічних гігантів із величезними інженерними командами. Як окремий розробник, ви можете почати з чогось такого простого, як «найпопулярніше цього тижня», і поступово переходити до персоналізованих пропозицій, створених на основі реальних даних користувача. Інструменти безкоштовні, бібліотеки зручні для початківців, і вплив на залучення користувачів може бути величезним.

Головне – просто почати. Відстежуйте поведінку користувачів, спробуйте простий підхід і повторюйте звідти. Ваші користувачі помітять різницю.

Для подальшого читання перевіртеПосібник із систем рекомендацій Google, Персоналізація AWS, іСюрприз бібліотечної документації.