Hệ thống khuyến nghị là gì?

Bạn biết khi Netflix đề xuất một chương trình và bạn nghĩ, "Làm sao nó biết được?" Hoặc khi Amazon giới thiệu cho bạn những sản phẩm hoàn hảo một cách kỳ lạ dành cho bạn? Đó là một hệ thống khuyến nghị tại nơi làm việc. Về cơ bản, đây là phần mềm xem xét những gì bạn (và những người giống như bạn) đã làm trong quá khứ và sử dụng nó để đoán xem bạn có thể muốn điều gì tiếp theo.

Tin tốt à? Bạn không cần phải là Netflix để xây dựng một Netflix. Nếu bạn là nhà phát triển solo đang xây dựng ứng dụng, blog hoặc cửa hàng trực tuyến, bạn có thể thêm đề xuất để thu hút người dùng quay lại. Hãy chia nhỏ cách những thứ này thực sự hoạt động, bằng tiếng Anh đơn giản, kèm theo các ví dụ thực tế mà bạn có thể làm theo.

Hai cách tiếp cận chính (Với ví dụ thực tế)

Thực sự chỉ có hai ý tưởng cốt lõi đằng sau mỗi hệ thống khuyến nghị. Một khi bạn hiểu những điều này, mọi thứ khác chỉ là những biến thể của chủ đề.

1. Lọc cộng tác: "Những người thích bạn cũng thích..."

Cách tiếp cận này xem xét những gì người dùng tương tự đã làm. Nó không quan tâmGìnội dung thực sự là như vậy. Nó chỉ chú ý tới các khuôn mẫu trong hành vi.

Ví dụ thực tế:Giả sử bạn đang xây dựng một ứng dụng đánh giá sách. Người dùng A yêu thích sách #1, #2 và #3. Người dùng B yêu thích cuốn số 1 và số 2 nhưng chưa thấy cuốn số 3. Lọc cộng tác cho biết: "Người dùng B có thể cũng sẽ thích cuốn sách số 3 vì họ có cùng sở thích với Người dùng A."

Đây chính xác là cách hoạt động của danh sách phát "Khám phá hàng tuần" của Spotify. Nó tìm những người dùng có thói quen nghe nhạc tương tự như bạn, sau đó đề xuất những bài hát họ yêu thích nhưng bạn chưa nghe.

2. Lọc dựa trên nội dung: "Bởi vì bạn thích điều cụ thể này..."

Cách tiếp cận này xem xét các đặc điểm thực tế của những gì người dùng đã tương tác, sau đó tìm thêm nội dung có đặc điểm tương tự.

Ví dụ thực tế:Bạn đang xây dựng một ứng dụng công thức nấu ăn. Một người dùng tiếp tục lưu các công thức nấu mì chay chỉ mất dưới 30 phút. Tính năng lọc dựa trên nội dung sẽ đề xuất các món mì ống chay nhanh khác, ngay cả khi chưa có người dùng nào khác thử chúng, bởi vìthành phần và thuộc tínhphù hợp với những gì người dùng này rõ ràng thích.

Thanh bên "Video liên quan" của YouTube hoạt động theo cách này. Nó xem xét các thẻ, tiêu đề và danh mục của nội dung bạn đang xem, sau đó tìm các video có thuộc tính tương tự.

Hai loại hệ thống khuyến nghị

👥

Lọc cộng tác
"Những người dùng như bạn cũng thích ..." (Spotify, Amazon)

🔍

Lọc dựa trên nội dung
"Bởi vì mặt hàng này có đặc điểm tương tự..." (YouTube, Netflix)

🧪

Lai (Tốt nhất của cả hai)
Kết hợp cả hai để có kết quả tốt hơn (điều mà hầu hết các ứng dụng lớn đều làm)

📈

Dựa trên mức độ phổ biến (Bắt đầu dễ nhất)
"Phổ biến nhất tuần này" - không cần dữ liệu người dùng

⏱️

Cập nhật theo thời gian thực
Thích ứng ngay lập tức khi người dùng tương tác với ứng dụng của bạn

Điều gì về nhúng? (Nó đơn giản hơn âm thanh)

Bạn sẽ nghe thấy thuật ngữ "nhúng" rất nhiều trong các hướng dẫn về hệ thống đề xuất. Nghe có vẻ đáng sợ nhưng ý tưởng này lại rất đơn giản.

Hãy nghĩ như thế này: hãy tưởng tượng mọi người dùng và mọi mục trong ứng dụng của bạn đều được đặt trên một bản đồ khổng lồ. Những người dùng thích những thứ tương tự sẽ ở gần nhau trên bản đồ. Những món đồ giống nhau cuối cùng cũng ở gần nhau. "Nhúng" chỉ là tọa độ (vị trí) của người dùng hoặc mục trên bản đồ đó.

Ví dụ thực tế:Trong ứng dụng âm nhạc, người dùng nghe nhạc jazz, blues và soul sẽ được đặt gần những thể loại đó trên bản đồ. Người dùng nghe nhạc metal và punk sẽ ở một lĩnh vực hoàn toàn khác. Khi một album nhạc jazz mới ra mắt, hệ thống sẽ kiểm tra xem người dùng nào "gần gũi" với nhạc jazz trên bản đồ và đề xuất album đó cho họ.

Tại sao điều này lại quan trọng nếu bạn đang xây dựng một ứng dụng một mình

Nếu bạn là nhà phát triển một mình, việc thêm ngay cả một hệ thống đề xuất đơn giản cũng có thể thay đổi cuộc chơi để thu hút người dùng. Đây là lý do tại sao:

Người dùng gắn bó lâu hơn.Khi mọi người nhìn thấy nội dung có cảm giác được chọn lọc riêng cho họ, họ sẽ dành nhiều thời gian hơn cho ứng dụng của bạn. Hãy suy nghĩ về cách bạn tiếp tục cuộn TikTok vì nó liên tục hiển thị cho bạn biết chính xác những gì bạn quan tâm.
Người dùng khám phá thêm nội dung của bạn.Nếu bạn có một blog với 200 bài đăng, hầu hết khách truy cập sẽ chỉ nhìn thấy một số bài đăng mới nhất. Phần "Bạn cũng có thể thích" có thể hiển thị các bài đăng cũ hơn vẫn phù hợp với từng người đọc.
Người dùng quay lại thường xuyên hơn.Thông báo email được cá nhân hóa ("Đây là thông tin mới dựa trên sở thích của bạn") giúp mọi người có lý do để quay lại. Đây là cách Medium giúp bạn nhấp chuột vào các bài viết.

Làm thế nào để thực sự xây dựng một cái (Từng bước)

Đây là một lộ trình thực tế sẽ không làm bạn choáng ngợp:

Bắt đầu bằng cách theo dõi những gì người dùng làm.Trước khi bạn có thể đề xuất bất cứ điều gì, bạn cần có dữ liệu. Theo dõi số lần nhấp, lượt thích, lượt lưu, thời gian dành cho trang, lượt mua hàng, bất kỳ điều gì có ý nghĩa đối với ứng dụng của bạn. Ngay cả một bảng cơ sở dữ liệu đơn giản nhưuser_id | item_id | hành động | dấu thời gianlà đủ để bắt đầu.
Bắt đầu với cách tiếp cận đơn giản nhất.Đừng nhảy thẳng vào học máy. Bắt đầu với "các mặt hàng phổ biến nhất" hoặc "người dùng đã mua X cũng đã mua Y." Đối với một ứng dụng nhỏ, một vài truy vấn SQL có thể cung cấp các đề xuất hữu ích một cách đáng ngạc nhiên.
Tốt nghiệp vào thư viện khi bạn đã sẵn sàng.của PythonThư viện bất ngờlàm cho việc lọc cộng tác trở nên đơn giản. Bạn có thể có một mô hình đề xuất hoạt động với khoảng 20 dòng mã.Đề xuất TensorFlowthật tuyệt nếu bạn muốn đi sâu hơn.
Giữ nó tươi.Khuyến nghị trở nên cũ kỹ nhanh chóng. Thiết lập công việc hàng tuần để đào tạo lại mô hình của bạn với dữ liệu mới. Sở thích của người dùng vào tháng 1 có thể hoàn toàn khác vào tháng 3.

Nếu bạn không muốn tự mình xây dựng nó, các dịch vụ được quản lý có thể xử lý công việc nặng nhọc.Cá nhân hóa AWScho phép bạn cung cấp dữ liệu của mình và nhận lại đề xuất thông qua API.AI đề xuất của Googlelàm điều tương tự Cả hai đều có các cấp miễn phí đủ rộng rãi cho các ứng dụng nhỏ.

Xây dựng hệ thống đề xuất đầu tiên của bạn

Theo dõi hành động của người dùng

Ghi lại số lần nhấp, lượt thích, lượt mua hàng và thời gian sử dụng

Bắt đầu đơn giản

"Phổ biến nhất" hoặc "cũng được mua" với các truy vấn SQL cơ bản

Thêm thư viện

Sử dụng Công cụ đề xuất ngạc nhiên hoặc TensorFlow của Python

Đào tạo lại hàng tuần

Giữ cho các đề xuất luôn mới mẻ khi thị hiếu của người dùng thay đổi

Đo lường những gì hoạt động

Theo dõi tỷ lệ nhấp vào đề xuất của bạn

Bài học chính

Bạn không cần phải là một nhà khoa học dữ liệu.Một truy vấn đơn giản "những người thích X cũng thích Y" có thể mang lại hiệu quả kỳ diệu cho một ứng dụng nhỏ.
Hãy bắt đầu với những gì bạn có.Ngay cả dữ liệu nhấp chuột cơ bản cũng đủ để cung cấp các đề xuất hữu ích.
Có những công cụ miễn phí giúp thực hiện những công việc nặng nhọc.Các thư viện như Bất ngờ và các dịch vụ được quản lý như AWS Personalize có các bậc miễn phí hoàn hảo cho các nhà phát triển solo.
Giữ nó tươi.Đào tạo lại mô hình của bạn thường xuyên. Khuyến nghị cũ còn tệ hơn là không có khuyến nghị.
Đo lường tác động.Theo dõi xem người dùng có thực sự nhấp vào đề xuất của bạn hay không. Nếu không, hãy điều chỉnh cách tiếp cận của bạn.

Phần kết luận

Hệ thống đề xuất không chỉ dành cho những gã khổng lồ công nghệ với đội ngũ kỹ thuật đông đảo. Với tư cách là nhà phát triển solo, bạn có thể bắt đầu với nội dung đơn giản như "phổ biến nhất tuần này" và dần dần tiến tới các đề xuất được cá nhân hóa dựa trên dữ liệu người dùng thực. Các công cụ này đều miễn phí, thư viện thân thiện với người mới bắt đầu và tác động đến mức độ tương tác của người dùng có thể rất lớn.

Điều quan trọng là chỉ cần bắt đầu. Theo dõi hành vi của người dùng, thử một cách tiếp cận đơn giản và lặp lại từ đó. Người dùng của bạn sẽ nhận thấy sự khác biệt.

Để đọc thêm, hãy xemHướng dẫn về hệ thống đề xuất của Google, Cá nhân hóa AWS, vàTài liệu thư viện bất ngờ.