Mărirea procesului de construire a unui motor de recomandare

Peste 80% dintre emisiunile pe care le urmăresc oamenii pe Netflix sunt descoperite prin intermediul motorului de recomandare al platformei. Înseamnă că cea mai mare parte a ceea ce aterizează ochiul tău este rezultatul deciziilor luate de o mașină sofisticată.

Serviciul de streaming se bazează pe inteligența artificială pentru a analiza firele nuanțate din conținut și pentru a se scufunda în profunzime în preferințele spectatorilor. Și este sigur să spunem: efortul dă roade!

Dacă sunteți încă în urmă, dar doriți să îmbunătățiți experiența clienților dvs. cu afacerea dvs., continuați să citiți. În această postare pe blog, vă ghidăm prin procesul de construire a unui motor de recomandare și facem lumină asupra tot ceea ce trebuie să știți înainte de a apela la furnizorii de servicii AI.

Motoare de recomandare 101: lucruri de știut înainte de a vă aventura în dezvoltare

Înainte de a ajunge la cum să construim un motor de recomandare, să analizăm tipurile, cazurile de utilizare și opțiunile de implementare ale unuia.

În mod tradițional, sistemele de recomandare sunt împărțite în două mari categorii: sisteme de filtrare bazate pe conținut și sisteme de filtrare colaborativă.

Filtrare bazată pe conținut

Sistemele de filtrare bazate pe conținut generează recomandări bazate pe caracteristicile sau caracteristicile conținutului. Cu alte cuvinte, ei recomandă produse sau conținut similar celor cu care un utilizator i-a plăcut sau cu care a interacționat înainte. În acest fel, un motor de recomandare poate sugera „A Farewell to Arms” unui cititor căruia i-a plăcut „All Quiet on the Western Front” și „Catch-22”.

Dar de unde știe motorul care articole sunt similare? Să ne uităm la abordarea Netflix de a construi un motor de recomandare pentru a înțelege asta. Deși sistemul de recomandare Netflix este de natură hibridă, se bazează în mare măsură pe similaritatea conținutului.

Serviciul de streaming are o echipă de etichetatori, care urmăresc fiecare bucată nouă de conținut și o etichetează. Etichetele variază masiv de la cât de plină de acțiune este piesa până la dacă este plasată în spațiu sau are rolul de a juca un anumit actor. Analizând datele etichetelor în comparație cu comportamentul spectatorului cu algoritmi de învățare automată, platforma de streaming își dă seama ce este cu adevărat relevant pentru fiecare utilizator.

Filtrare colaborativa

Sistemele de filtrare colaborative fac recomandări bazate pe feedback-ul utilizatorilor. Astfel de sisteme presupun că utilizatorii cărora le-au plăcut articole similare sunt probabil să reacţioneze în mod similar la noile produse şi conţinut.

Există două abordări pentru construirea unui motor de recomandare care se bazează pe filtrarea colaborativă: bazată pe utilizator și bazată pe articole.

Cu filtrarea bazată pe utilizatori, creați segmente de utilizatori similari cu preferințe comune. Deci, un utilizator este probabil să i se recomande un articol pe care alți utilizatori din segment le-a plăcut. Caracteristicile conținutului nu sunt luate în considerare.

Cu filtrarea bazată pe articole, motorul creează recomandări bazate pe asemănarea articolelor pe care le-a plăcut utilizatorului cu cele sugerate. Sună similar cu filtrarea bazată pe conținut, nu-i așa? Deși atât sistemele de filtrare bazate pe conținut, cât și sistemele de filtrare colaborativă bazate pe articole folosesc similaritatea articolelor pentru a face recomandări, ele diferă în ceea ce privește modul în care determină ceea ce este similar.

Sistemele de filtrare bazate pe conținut recomandă doar articole care sunt similare cu cele pe care le-a plăcut deja unui utilizator. Cu filtrarea colaborativă bazată pe articole, vi se va recomanda un articol care este similar cu ceea ce v-a plăcut și care este, de asemenea, apreciat de utilizatorii din segmentul dvs.

Cazurile de utilizare ale motoarelor de recomandare

Un grad ridicat de personalizare a devenit o necesitate la care utilizatorii au ajuns să se aștepte, determinând companiile să-și îmbogățească experiențele online cu motoare de recomandare. Sectoarele în care motoarele de recomandare au devenit comune se întind:

• Comerțul cu amănuntul și comerțul electronic: motoarele de recomandare din comerțul electronic pot face orice, de la clasificarea produselor până la sugerarea de articole noi pentru a le cumpăra clienților. Impactul generat de implementarea unui motor de recomandare în comerțul electronic și de servicii îmbunătățite pentru clienți, marketing îmbunătățit și posibilități mai largi de upselling care vin cu acesta este greu de supraestimat. De exemplu, cunoscutul magnat al comerțului electronic, Amazon, generează 35% din veniturile sale cu ajutorul sistemului său de recomandare.
• Media și divertisment: de la organizarea listelor de redare până la oferirea de sugestii personalizate bazate pe interacțiunile anterioare, motoarele de recomandare ajută platformele media și de divertisment să implice utilizatorii mai mult timp, arătându-le conținut pe care altfel nu l-ar descoperi. Cele mai mari platforme media și de divertisment, cum ar fi YouTube, Netflix și Spotify, se bazează în mare măsură pe recomandările personalizate generate de AI pentru a atrage și reține noi utilizatori.
• Rețelele de socializare: sectorul rețelelor sociale profită de posibilitățile de a oferi și sugestii personalizate. Ajutând utilizatorii să descopere pagini și conturi similare, platformele de rețele sociale îi determină pe utilizatori să petreacă mai mult timp interacționând cu conținutul, ceea ce crește ratele de clic și crește veniturile.
• Servicii bancare și financiare: sistemele de recomandare bazate pe inteligență artificială permit băncilor să analizeze tranzacțiile utilizatorilor și să vândă în plus pentru a crește veniturile. De exemplu, atunci când un utilizator cumpără un bilet de avion în valoare de 500 USD, motorul de recomandare presupune automat că zboară în străinătate și sugerează să cumpere un pachet de asigurare de călătorie.

Opțiuni de implementare din care să alegeți

Pe măsură ce porniți în călătoria construirii unui motor de recomandare, veți întâlni mai multe opțiuni de implementare cu propriile avantaje și considerații, și anume:

Motoare de recomandare plug-and-play

Motoarele de recomandare plug-and-play oferă o modalitate convenabilă și fără probleme de a încorpora recomandări personalizate în produsul sau platforma dvs. Ele vin pre-construite și sunt proiectate pentru a se integra perfect în infrastructura dvs. existentă.

Avantajul cheie al motoarelor de recomandare plug-and-play constă în simplitatea și ușurința lor de utilizare. Ele sunt de obicei concepute pentru a fi ușor de utilizat, permițând chiar și publicului non-tehnic să le configureze cu un efort minim. Exemple de motoare de recomandare plug-and-play acoperă platforme precum Recombee, Seldon și LiftIgniter.

Motoarele de recomandare plug-and-play care vin cu dezavantaj sunt personalizarea și adaptabilitatea limitate. Deși oferă confort și viteză, este posibil să nu ofere nivelul de flexibilitate și reglaj fin pe care îl oferă soluțiile personalizate.

Servicii de recomandare bazate pe cloud pregătite în prealabil

Motoarele de recomandare bazate pe cloud permit valorificarea vastelor resurse de calcul și expertiza furnizorilor de servicii cloud. Aceste servicii de recomandare oferă de obicei API-uri ușor de utilizat, care permit dezvoltatorilor să integreze cu ușurință funcționalitatea de recomandare în aplicațiile lor.

Motoarele de recomandare bazate pe cloud sunt, de asemenea, foarte scalabile, ceea ce le permite să gestioneze baze mari de utilizatori și încărcări mari de trafic. Un alt avantaj este îmbunătățirea continuă, deoarece modelele de bază sunt actualizate și perfecționate de către furnizorii de servicii.

Furnizorii de top de servicii cloud, cum ar fi Amazon Web Services, Google Cloud Platform și Microsoft Azure, oferă servicii de recomandare pregătite în prealabil.

Factorii de luat în considerare atunci când optați pentru servicii de recomandare bazate pe cloud pre-instruite includ confidențialitatea datelor, blocarea furnizorului și cerințele de personalizare. Deși aceste servicii oferă confort și scalabilitate, ele pot avea limitări în ceea ce privește personalizarea algoritmilor de recomandare pentru a se potrivi nevoilor dvs. specifice de afaceri.

Motoare de recomandare personalizate

Motoarele de recomandare personalizate oferă cel mai înalt grad de flexibilitate și control, permițându-vă să încorporați algoritmi proprietari, să utilizați cunoștințele specifice domeniului și să luați în considerare nuanțele datelor dvs. Utilizarea modului personalizat vă permite să surprindeți complexitățile preferințelor utilizatorului, caracteristicile articolului și factorii contextuali, rezultând de obicei recomandări mai precise și mai relevante.

Cu toate acestea, în timp ce motoarele de recomandare personalizate oferă cea mai mare flexibilitate, ele necesită, de asemenea, resurse substanțiale de dezvoltare, experiență în învățarea automată și eforturi continue de întreținere. Așadar, înainte de a construi un motor de recomandare personalizat, evaluați cu atenție nevoile afacerii dvs., resursele disponibile și obiectivele pe termen lung.

Regula generală este să urmați traseul personalizat în următoarele scenarii:

• Aveți nevoi unice de afaceri: dacă afacerea dvs. are cerințe unice care nu pot fi îndeplinite cu soluții standard, alegeți personalizarea. Vă va permite să adaptați algoritmul la sarcina dvs. specifică. Să spunem că sunteți o platformă de comerț electronic de nișă care vinde produse artizanale. Este posibil să aveți cerințe distincte când vine vorba de sugerarea produselor: motorul de recomandare trebuie să ia în considerare factori precum raritatea produsului, măiestria și preferințele utilizatorilor pentru anumite stiluri sau materiale. Construirea unui motor de recomandare de la zero vă va permite mai probabil să generați recomandări care să se alinieze preferințelor utilizatorilor.
• Doriți control complet și proprietate: construirea unui motor de recomandare personalizat vă oferă control complet asupra întregului proces de generare a recomandărilor: de la preprocesarea datelor prin selectarea algoritmului până la reglaj fin. Vă permite să obțineți proprietatea deplină a sistemului și să-l adaptați pe măsură ce afacerea dvs. evoluează, fără a vă baza pe soluții terțe.
• Dețineți cunoștințe specifice domeniului: dacă aveți experiență specifică domeniului sau acces la date specializate care pot îmbunătăți în mod semnificativ acuratețea recomandărilor, construirea unei soluții personalizate vă permite să utilizați aceste cunoștințe în mod eficient. Prin dezvoltarea unui motor de recomandare personalizat, puteți încorpora caracteristici specifice domeniului sau constrângeri care ar putea să nu fie disponibile în soluțiile pregătite în prealabil.
• Aplicația dvs. necesită scalabilitate și performanță ridicate: dacă anticipați un volum masiv de utilizatori sau articole, aveți constrângeri stricte de latență sau aveți nevoie să procesați seturi de date mari și complexe, construirea unui motor de recomandare personalizat vă oferă flexibilitatea de a proiecta și optimiza sistemul pentru maxim. scalabilitate și performanță. Același lucru este valabil și dacă doriți să generați recomandări în timp real sau aproape în timp real.
• Doriți să obțineți un avantaj competitiv: dacă recomandările exacte reprezintă un factor de diferențiere principal pentru produsul sau serviciul dvs., construirea unui motor de recomandare personalizat vă poate oferi un avantaj competitiv. Investiția într-o soluție personalizată în acest caz ar putea oferi oportunitatea de a oferi experiențe unice și personalizate, sporind angajamentul, loialitatea și satisfacția clienților.

Construirea unui motor personalizat de recomandare, pas cu pas

Furnizarea de recomandări personalizate este o sarcină rezolvată de obicei prin învățarea automată. Pot fi folosite și rețelele neuronale, însă rolul lor este limitat în mare parte la preprocesarea datelor de antrenament. Iată pașii cheie în procesul de construire a unui motor de recomandare partajat de dezvoltatorii de învățare automată ai ITRex.

Pasul 1. Setarea direcției

Începeți dezvoltarea prin stabilirea direcției pentru restul proiectului. Lucrurile esențiale de făcut în această etapă includ:

Stabilirea obiectivelor și definirea domeniului de aplicare al proiectului

Descrieți clar ceea ce intenționați să realizați cu un sistem de recomandare și cântăriți obiectivul stabilit cu limitările de resurse și buget. De exemplu, dacă doriți să îmbunătățiți implicarea clienților și să creșteți vânzările în magazinul dvs. online, ați putea limita domeniul de aplicare al proiectului la recomandarea de produse clienților care au făcut deja o achiziție. Menținerea domeniului de aplicare destul de restrâns necesită mai puțin efort decât construirea unui motor de recomandare care vizează toți clienții, în timp ce potențialul de generare a rentabilității investiției rămâne destul de ridicat.

Evaluarea surselor de date disponibile

Performanța unui sistem de recomandare depinde în mare măsură de volumele și calitatea datelor de antrenament. Înainte de a vă aventura în antrenament, evaluați cu atenție dacă aveți suficiente puncte de date pentru a genera recomandări.

Definirea valorilor de performanță

Una dintre provocările cheie ale construirii unui motor de recomandare care ar trebui să fie luate în considerare chiar de la început este definirea valorilor de succes. Găsiți o modalitate de a afla dacă utilizatorii se bucură cu adevărat de recomandările nou generate înainte de a vă apuca de antrenamentul algoritmilor ML.

Pasul 2. Adunați date de antrenament

Următorul pas în procesul de construire a unui sistem de recomandare personalizat este colectarea și pregătirea datelor pentru antrenarea algoritmilor de învățare automată. Pentru a construi un sistem de recomandare de încredere, aveți nevoie de suficiente date despre preferințele utilizatorului.

În funcție de abordarea pentru construirea unui motor de recomandare, concentrarea dvs. se va schimba. Când creați un sistem de filtrare colaborativ, datele pe care le adunați se concentrează pe comportamentul utilizatorului. Cu sistemele de filtrare bazate pe conținut, vă concentrați asupra caracteristicilor conținutului pe care utilizatorii le plac.

Filtrare colaborativa

Datele despre comportamentul utilizatorului pot veni sub diferite forme:

• Feedback-ul explicit al utilizatorului este orice lucru care îi cere utilizatorului să depună un efort, cum ar fi să scrie o recenzie, să-i placă o bucată de conținut sau un produs, să se plângă sau să inițieze o retur.
• Feedback-ul implicit al utilizatorilor, cum ar fi istoricul achizițiilor anterioare, timpul petrecut de un utilizator privind o anumită ofertă, obiceiurile de vizualizare/ascultare, feedback-ul lăsat pe rețelele sociale și multe altele.

Atunci când construim un motor de recomandare, vă recomandăm să combinați atât feedback-ul explicit, cât și cel implicit, deoarece acesta din urmă permite să sapă în preferințele utilizatorilor pe care ar putea fi reticenți să le admită, făcând sistemul mai precis.

Filtrare bazată pe conținut

Când colectați date pentru sistemele de filtrare bazate pe conținut, este esențial să înțelegeți pe ce caracteristici de produs/conținut ar trebui să vă bazați atunci când căutați ceea ce le place utilizatorilor.

Să presupunem că construiți un motor de recomandare pentru iubitorii de muzică. Vă puteți baza pe analiza spectrogramelor pentru a înțelege ce tip de muzică îi place unui anumit utilizator și pentru a recomanda melodii cu spectrograme similare.

Alternativ, puteți alege versurile cântecului ca bază pentru recomandările dvs. și puteți recomanda melodii care tratează teme similare.

Cheia este să testați și să reglați pentru a înțelege ce funcționează cel mai bine pentru dvs. și pentru a fi gata să îmbunătățiți continuu modelul inițial.

Pasul 3. Curățați și procesați datele

Pentru a construi un motor de recomandare performant, trebuie să țineți cont de schimbarea gusturilor utilizatorilor. În funcție de ceea ce recomandați, recenziile sau evaluările mai vechi pot să nu mai fie relevante.

Pentru a preveni inexactitățile, luați în considerare doar funcțiile care sunt mai probabil să reprezinte gusturile actuale ale utilizatorilor, eliminând datele care nu mai sunt relevante și adăugați mai multă greutate acțiunilor recente ale utilizatorilor, spre deosebire de cele mai vechi.

Pasul 4. Alegeți un algoritm optim

Următorul pas în procesul de construire a unui motor de recomandare este alegerea unui algoritm de învățare automată adecvat sarcinii dvs. Oamenii de știință de date de la ITRex recomandă să ia în considerare următoarele:

• Matrix Factorization descompune un set mare de date în părți mai mici pentru a descoperi modele ascunse și asemănări între utilizatori și articole.
• Factorizarea tensorilor este o extensie a factorizării matriceale care poate gestiona structuri de date de dimensiuni mai mari numite tensori. Captează modele mai complexe prin descompunerea tensorilor în factori latenți, oferind o înțelegere mai detaliată a interacțiunilor utilizator-articol.
• Mașinile de factorizare sunt modele puternice care pot gestiona date cu dimensiuni mari și rare. Acestea captează interacțiunile dintre caracteristici și pot fi aplicate sarcinilor de recomandare. Luând în considerare interacțiunile cu caracteristicile, acestea pot oferi recomandări precise chiar și atunci când datele sunt incomplete.
• Modelele de vecinătate găsesc asemănări între utilizatori sau articole pe baza atributelor sau comportamentului. Deosebit de eficiente pentru filtrarea colaborativă, ei construiesc conexiuni între utilizatori sau elemente dintr-o rețea și fac recomandări bazate pe preferințele utilizatorilor sau articolelor similare.
• Random Walk este un algoritm bazat pe grafice care explorează conexiunile dintre elemente sau utilizatori dintr-o rețea. Prin navigarea în rețea, surprinde asemănări între articole sau utilizatori, făcând recomandări pe baza conexiunilor capturate.
• SLIM este o tehnică utilizată în sistemele de recomandare pentru a înțelege modul în care elementele sunt legate între ele. Se concentrează pe găsirea de modele în relațiile dintre elemente și folosește acele modele pentru a face recomandări.
• Modelele liniare prezic preferințele utilizatorului-articol pe baza relațiilor liniare dintre caracteristici. Deși sunt ușor de înțeles și rapid de antrenat, este posibil să nu capteze modele complexe la fel de eficient ca alte abordări.

De asemenea, puteți alege dintre următoarele modele de învățare profundă:

• DSSM (Deep Structured Semantic Models) învață reprezentări ale textului sau documentelor. Ei se concentrează pe captarea sensului semantic al cuvintelor și a relațiilor lor într-un cadru structurat.
• Rețelele convoluționale grafice sunt concepute pentru date structurate în grafic. Aceștia operează pe grafice, captând relații și interacțiuni între nodurile din grafic.
• Variational Auto-Encoder este un model generativ care învață reprezentări ale datelor prin captarea spațiului latent subiacent. Aceste modele folosesc o arhitectură codificator-decodor pentru a comprima datele într-un spațiu de dimensiuni inferioare și pentru a le reconstrui.
• Transformer este un model care folosește mecanisme de auto-atenție pentru a surprinde relațiile contextuale dintre cuvintele dintr-o propoziție sau document.

Ceea ce este important de reținut este că metodele de mai sus sunt rareori utilizate izolat. În schimb, acestea sunt combinate prin următoarele tehnici și algoritmi:

• Asamblarea implică antrenarea mai multor modele în mod independent și apoi combinarea predicțiilor acestora prin diferite tehnici. Fiecare model contribuie în mod egal la predicția finală, iar combinația este de obicei simplă și nu implică antrenarea unor modele suplimentare.
• Stivuirea are o abordare mai avansată. Aceasta implică antrenarea mai multor modele, denumite modele de bază, și apoi combinarea predicțiilor acestora printr-un meta-model. Modelele de bază fac predicții pe baza datelor de intrare, iar predicțiile lor devin caracteristicile de intrare pentru meta-model. Meta-modelul este apoi antrenat pentru a face predicția finală.
• AdaBoost este un algoritm de învățare de ansamblu care îmbunătățește acuratețea modelelor de bază prin antrenarea iterativă a acestora pe diferite subseturi de date. Abordarea se concentrează pe cazurile care sunt dificil de clasificat corect și le acordă mai multă atenție în iterațiile ulterioare de antrenament. În fiecare iterație, AdaBoost atribuie ponderi instanțelor de antrenament pe baza preciziei clasificării acestora. Apoi antrenează modele cu performanțe slabe pe datele ponderate, unde ponderile subliniază instanțele clasificate greșit din iterațiile anterioare.
• XGBoost este o metodă de ansamblu care combină iterativ modele de predicție slabe pentru a crea un model mai puternic. Antrenează modele într-o manieră secvențială, în care fiecare model ulterior corectează erorile făcute de cel anterior.

Pasul 4. Antrenează și validează modelul

Odată ce v-ați concentrat asupra unui algoritm pentru motorul de recomandare, este timpul să antrenați și să validați modelul. Iată cum arată acest pas din procesul de construire a unui motor de recomandare:

Pentru început, trebuie să vă împărțiți datele în două seturi: un set de antrenament și un set de testare. Setul de antrenament, după cum sugerează și numele, vă învață modelul să recunoască modele în preferințele utilizatorului. Setul de testare ajută la evaluarea performanței modelului pe date noi.

Cu antrenamentul la îndemână, începeți să vă antrenați modelul. Aceasta implică expunerea algoritmului la date, permițându-i să învețe modelele și relațiile de bază.

După faza de antrenament, este timpul să evaluăm performanța modelului folosind setul de testare. Acest lucru vă va ajuta să înțelegeți cât de eficient se generalizează modelul la date noi.

Alternativ, vă puteți baza pe feedback în timp real pentru a înțelege cât de bine funcționează modelul. În acest fel, implementați modelul în producție și mapați recomandările generate cu feedback-ul utilizatorilor. Apoi treceți la pasul următor, unde setați modelul să își ajusteze parametrii printr-un proces de învățare iterativ.

Pasul 5. Reglați hiperparametrii modelului

Odată ce ați evaluat performanța modelului, îl puteți regla fin după cum este necesar. Să luăm în considerare un exemplu de sistem de recomandare construit pe un algoritm de filtrare colaborativă.

În filtrarea colaborativă, numărul de vecini determină câți utilizatori sau articole similare sunt luați în considerare atunci când se fac recomandări. Să presupunem că construiți un motor de recomandare care se bazează pe filtrarea colaborativă și sugerează filme noi. Inițial, setați numărul de vecini la 10, ceea ce înseamnă că modelul ia în considerare preferințele celor mai asemănători 10 utilizatori atunci când generează recomandări.

După evaluarea performanței modelului, constati că precizia recomandărilor este mai mică decât se dorește. Pentru a îmbunătăți acest lucru, decideți să reglați fin modelul ajustând numărul de vecini.

Pentru a explora impactul diferitelor dimensiuni ale vecinilor, puteți rula experimente cu valori variabile. De exemplu, reducerea numărului de vecini la 5 poate duce la o creștere semnificativă a preciziei. Cu toate acestea, este posibil să observați o ușoară scădere a reamintirii, ceea ce indică faptul că modelul ratează unele recomandări relevante. Creșterea numărului 20, la rândul său, ar putea duce la o ușoară îmbunătățire a reamintirii, dar sugestiile pot deveni mai puțin personalizate.

Cheia este să vă mulțumiți cu un compromis între precizie și reamintire și să găsiți un echilibru între captarea diverselor preferințe ale utilizatorilor și menținerea recomandărilor exacte.

Pasul 6. Implementați, monitorizați și actualizați modelul

Cu modelul pregătit și gata de rulare, este timpul să îl implementați.

Pentru a asigura implementarea cu succes, luați în considerare cel mai eficient mod de a încorpora modelul în infrastructura dvs. existentă. De exemplu, puteți încorpora modelul în back-end-ul site-ului dvs., asigurându-vă că interacționează perfect cu interfața cu utilizatorul. Această integrare permite recomandări în timp real care se adaptează dinamic la preferințele utilizatorilor.

Alternativ, puteți implementa modelul ca un serviciu, cum ar fi un motor de recomandare API, la care alte componente ale aplicației dvs. pot apela cu ușurință. Această abordare orientată spre servicii asigură flexibilitate și scalabilitate, permițând aplicației dvs. să folosească capabilitățile motorului de recomandare fără efort.

Faza de implementare este, de asemenea, un moment frumos pentru a lua în considerare modul în care recomandările vor fi prezentate utilizatorilor. Vor fi afișate ca sugestii personalizate pe pagina de pornire a unui site web, bine clasificate într-o interfață intuitivă? Sau vor fi integrate perfect în interfața aplicației, apărând exact în momentul potrivit pentru a surprinde utilizatorii? Alegerea vă aparține, dar păstrați întotdeauna experiența utilizatorului în prim plan.

În cele din urmă, este esențial să testați riguros modelul implementat pentru a asigura funcționalitatea perfectă a acestuia. Efectuați teste cuprinzătoare pentru a-și valida performanța și comportamentul în diferite interacțiuni ale utilizatorilor, pentru a vă asigura că recomandările sunt corecte, oportune și aliniate cu așteptările utilizatorilor.

Provocările construirii unui motor de recomandare și cum să le rezolvați

Înțelegerea provocărilor legate de construirea unui motor de recomandare este crucială pentru furnizarea de recomandări personalizate și relevante. Iată o listă a celor mai comune:

Provocarea 1. Măsurarea succesului

Una dintre provocările cheie ale construirii unui motor de recomandare care ar trebui să fie luate în considerare chiar de la început este definirea valorilor de succes. Cu alte cuvinte, înainte de a te apuca de a colecta date și de a antrena algoritmi ML, ar trebui să găsești o modalitate fiabilă de a spune dacă utilizatorii se bucură cu adevărat de recomandările nou generate. Acest lucru vă va ghida procesul de dezvoltare.

Să spunem că ești o platformă de streaming. Puteți număra numărul de aprecieri sau de abonamente plătite lunar pentru a măsura cât de bine funcționează motorul dvs. de recomandare. Cu toate acestea, sunt șansele că recomandările dvs. sunt în regulă, în timp ce utilizatorii sunt reticenți să-și declare în mod explicit preferințele sau să plătească pentru serviciu.

Experiența cercetătorilor noștri de date arată că comportamentul utilizatorului este o modalitate mai fiabilă de a măsura performanța sistemului de recomandare. Nu ne-am îndoi că un utilizator s-a bucurat de o emisiune dacă l-a vizionat cu exces într-o singură noapte, chiar și fără feedback explicit.

Provocarea 2. Blestemul dimensionalității

Dimensiunea datelor se referă la numărul de caracteristici dintr-un set de date. Mai multe funcții de intrare fac adesea mai dificilă construirea unui motor de recomandare precis. Să luăm YouTube ca exemplu. Pe platformă coexistă miliarde de videoclipuri și utilizatori, iar fiecare utilizator caută recomandări personalizate. Cu toate acestea, resursele umane și de calcul sunt limitate și aproape nimeni nu vrea să petreacă ore întregi așteptând să se încarce recomandările.

Pentru a face față acestei provocări, este nevoie de un pas suplimentar, generarea de candidați, înainte de lansarea algoritmului de recomandare. Acest pas permite restrângerea miliardelor de videoclipuri la, să zicem, la zeci de mii. Și acest grup mai mic este apoi folosit pentru generarea de recomandări.

Pentru generarea de candidați sunt utilizate diverse strategii, cu cea mai proeminentă căutare a vecinului apropiat. Alte practici obișnuite pentru depășirea problemei dimensionalității includ explorarea categoriilor populare sau a preferințelor împărtășite între oameni de grupe de vârstă similare.

Provocarea 3. Pornirea la rece

O altă problemă comună în procesul de construire a unui motor de recomandare, problema pornirii la rece apare atunci când sistemului îi lipsesc suficiente informații despre un utilizator sau un articol, ceea ce face dificilă furnizarea de recomandări exacte. Depășirea acestui obstacol implică utilizarea unor metode precum filtrarea colaborativă, filtrarea bazată pe conținut sau abordări hibride.

Provocarea 4. Coada lungă

Sistemele de recomandare pot suferi de un fenomen cunoscut sub numele de „coada lungă”. Aceasta înseamnă că articolele populare primesc mai multă atenție și recomandări, în timp ce cele mai puțin populare rămân neobservate de utilizatori. Abordarea acestei probleme necesită generarea de recomandări personalizate și luarea în considerare a preferințelor individuale ale utilizatorului.

Provocarea 5. Pornirea la rece pentru articole noi

Atunci când un articol nou este adăugat în sistem, acesta are puține sau deloc date istorice pentru generarea de recomandări, ceea ce face dificilă crearea de sugestii relevante. O abordare pentru a rezolva această problemă este utilizarea filtrelor de conținut și implicarea activă a utilizatorilor pentru a interacționa cu articole noi prin promoții sau reclame.

Provocarea 6. Pornirea la rece pentru utilizatorii noi

În mod similar, utilizatorii noi ar putea să nu aibă suficiente date istorice pentru recomandări precise. Pentru a depăși această provocare, pot fi folosite metode precum filtrarea bazată pe conținut, solicitările de feedback și sondajele inițiale ale utilizatorilor.

Provocarea 7. Dispersitatea datelor

În sistemele de recomandare, lipsa datelor este o apariție comună în care mulți utilizatori evaluează sau interacționează cu un număr mic de articole. Acest lucru reprezintă o provocare în prezicerea preferințelor utilizatorilor. Pentru a rezolva această problemă, pot fi utilizate metode de factorizare matriceală care încorporează reducerea dimensionalității, regularizarea și alte tehnici.

Pentru a rezuma

Construirea unui motor de recomandare este o călătorie alimentată de algoritmi, informații despre utilizatori și rafinament iterativ. De la definirea problemei până la selectarea abordării corecte, prin preprocesarea meticuloasă a datelor până la formarea modelelor, fiecare pas contribuie la crearea unui sistem puternic de recomandare.

Capacitatea unui motor de recomandare de a înțelege preferințele utilizatorilor și de a oferi recomandări personalizate poate deține un potențial imens pentru afacerea dvs. Amazon, YouTube, Spotify și multe alte companii mai puțin cunoscute, dar nu mai puțin de succes, și-au revoluționat produsele și, ulterior, au crescut veniturile cu recomandări personalizate.

De exemplu, Spotify, o platformă de streaming de muzică care se bazează pe recomandări extrem de personalizate ca factor cheie de diferențiere, continuă să-și crească baza de utilizatori și veniturile în fiecare an. Tocmai în T4 2022, promisiunea de a descoperi o nouă melodie preferată a adus platformei cu 20% mai mulți utilizatori activi lunar, rezultând 33 de milioane de adăugări nete.

Dacă sunteți încă în urma curbei, este timpul să valorificați puterea AI și să vă revoluționați experiența utilizatorului cu un motor de recomandare personalizat.

Doriți să vă îmbunătățiți soluția cu un motor puternic de recomandare? Discutați cu consultanții ITRex.

Publicat inițial la https://itrexgroup.com pe 6 iunie 2023.