Что мы знаем о рекомендациях?
На сегодняшний день сложно представить любой сайт, сервис или блог без “возможно вас еще заинтересует”, “читать еще” или “вам может понравиться”…
Это результат работы рекомендательных технологий, которые продолжают завоевывать мир. Со временем их алгоритмы настолько усовершенствовались, что кажется, будто кто-то читает наши мысли.
Что такое рекомендательная система? Это комплекс алгоритмов, программ и сервисов, задача которого предсказать, что может заинтересовать того или иного пользователя. Предложения подбираются на основе изучения поведения юзера.
Простой пример: вспомните нашумевшую платформу TikTok. Люди часами не могут оторваться от экранов телефона. Ведь предлагаемый контент им нравится и каждое видео затягивает еще больше.
Попробуем разобраться, в чем секрет данных технологий и когда они стали популярными.
С чего все началось?
До 2006 года технологии рекомендаций считались нишевыми и не пользовались популярностью ни среди разработчиков, ни среди сайтов. Но ситуацию изменила разработка, которая стала известна по результатам конкурса Netflix Prize и работала с 2006 по 2009 год. Цель проекта заключалась в совершенствовании технологии Cinematch от Netflix, предлагавшей пользователям новые фильмы, а задача – увеличить точность попаданий не менее, чем на 10%.
Команда Bellkor Pragmatix Chaos выиграла премию в 1 миллион долларов за решение, в котором были комбинированы 107 различных алгоритмов. Их программа повысила точность Cinematch на 10.06%.
Это сейчас Netflix является гигантом медийных услуг, а вначале 2000-х компания предоставляла прокат фильмов на VHS-кассетах и DVD. Им было важно угадывать предпочтения пользователей. Таким образом, после конкурса, интерес к рекомендациям вырос.
Методы работы рекомендательных систем
Фильтрация, основанная на контенте (content-based filtering)
В качестве основы такого метода берется история просмотров, с помощью которой предлагается контент. Например, домохозяйке, которая зашла в блог “Кулинария” и просмотрела несколько рецептов, будут советовать похожие материалы на этом же сайте, где она сможет узнать больше полезной информации.
Коллаборативная фильтрация (collaborative filtering)
В этом случае рекомендации выдаются, полагаясь на поведенческие характеристики человека или группы. Ярким примером такого метода может быть платформа Spotify. Она учитывает не только общие клиентские интересы и предпочтения, но и временной контекст. Например, любитель тяжелой рок-музыки слушает ее по утрам или по пути на работу, а вечером укладывает детей спать под нежные музыкальные композиции совсем другого жанра.
Фильтрация, основанная на знаниях (knowledge-based filtering)
Этот метод наиболее точный, поскольку представляет объекты не только на основе их характеристик, но и с учетом правил и ограничений. Например, нет смысла предлагать купить товар, который отсутствует в продаже.
Гибридные системы (hybrid filtering)
Они сочетают разные подходы. Используя их, можно избавиться от большинства недостатков других методов и предоставить пользователю наиболее точный совет.
Чем полезны такие системы?
Пользователи любят, когда вся нужная информация находится перед глазами и не нужно прикладывать лишних усилий для поиска. Каждому нравится, когда учитывают его интересы и отвечают всем ожиданиям. Рекомендательные блоки воспринимаются пользователями как советы и не ассоциируются с назойливой рекламой. Персонализированный подход помогает расположить читателя к ресурсу, а также побудить его к действию.
“Совет — больше, чем услуга”. — А. Дюма-отец
Что касается предпринимателей, то для них такие технологии раскрывают новые возможности. Они позволяют сайту предлагать свои статьи пользователям. Чем лучше рекомендации — тем больше вероятность, что пользователь заинтересуется и останется на сайте. Соответственно, повышается результативность сайта и доход.
Если вы являетесь владельцем веб-ресурса и не знаете с чего начать — советуем обратиться к платформе Phoenix Native. Ее эффективность состоит в том, что она умеет подстраиваться под любого пользователя и предлагать ему релевантный контент. Система проводит глубокий анализ поведения юзера, обрабатывает данные и генерирует предложения с максимальной точностью.
