Продукты на основе нейронных сетей стремятся проникнуть в разные сферы жизни. Одними из таких продуктов, которые онлайн-площадки реализуют в своих сервисах, являются рекомендательные алгоритмы. Они анализируют предпочтения посетителей и подбирают другой контент, который также может заинтересовать. Таким образом, решаются задачи по удержанию внимания пользователя на платформе (рекомендация похожей статьи, видео) или стимулирования к выполнению целевых действий (оформление покупки, подписки, пожертвования). В противовес, привычная система на основе подписок, когда самостоятельно находим интересных авторов.
История
Первые рекомендательные системы появились в конце 90-х годов на платформах электронной коммерции Amazon и Ebay. Но поначалу особой популярности они не получили. Системы рекомендаций на основе искусственного интеллекта и машинного обучения набрали популярность в 2006 году, когда Netflix объявил открытое соревнование с призом в 1 000 000$. На тот момент компания занималась прокатом DVD-дисков. В рамках соревнования, команды разработчиков создавали алгоритмы предсказания оценки, которую зритель поставит фильму, на основе предыдущих оценок этого и других зрителей. Для победы требовалось улучшить существующий алгоритм на 10%. В итоге соревнование продлилось 3 года и в нём приняли участие десятки тысяч команд, прежде чем был найден самый эффективный алгоритм, удовлетворяющий условию.
В 2010 году рекомендательные алгоритмы появились в социальных сетях и на текущий момент на многих платформах уже нет классической ленты с новостями в хронологическом порядке на основе подписок.
Основные методы, применяемые в рекомендательных системах
Фильтрация на основе контента позволяет рекомендовать контент, похожий на тот, который пользователю уже понравился в прошлом. Если были прочитаны несколько статей, например, на тему саморазвития, значит алгоритм будет показывать и другие статьи на похожую тему.
При коллаборативной фильтрации все пользователи распределяются на группы с похожими интересами, поведением, реакциями. Например, один пользователь часто интересуется финансами, путешествиями и фотографией. Другой пользователь любит смотреть контент про финансы, путешествия и домашних животных. В этом случае рекомендательный алгоритм может порекомендовать первому пользователю статью о животных, а второму на тему фотографий.
Но чтобы получить наиболее точный результат, используется гибридный подход. Например, сначала для нового пользователя показывается наиболее популярный контент. Потом, на основе реакций пользователя, уже применяются другие методы.
Рекомендательные системы в социальных сетях
В каждой социальной сети используются свои алгоритмы, которые тщательно скрываются. Ведь зная и понимая в деталях как всё работает, можно собирать на свой контент большую аудиторию. Рекомендации на основе искусственного интеллекта и машинного обучения используются во многих социальных сетях: ВКонтакте, Rutube, Youtube, Tiktok, Дзен. Например, в разделе "Новости" ВКонтакте, для включения рекомендаций, нужно подсветить флажок "Сначала интересные".
Дзен, с момента появления в 2015 году, формирует ленту на основе рекомендаций. А в прошлом году был обновлён дизайн вкладки "Подписки". Здесь теперь сразу видно по каждому каналу: начало текста последней публикации и количество непрочитанных публикаций в кружочке. По моему мнению, стало удобней. Новые публикации можно читать как из ленты, так и перейдя в канал автора.
В заключение хотелось бы отметить, что рекомендательные алгоритмы имеют большое значение. Удобно слушать музыку или смотреть фильмы по рекомендациям. Но я в большинстве случаев предпочитаю искать контент самостоятельно, потому что алгоритмы могут не учитывать многие факторы, такие как настроение, самочувствие, желание просто отдохнуть или наоборот узнать новую информацию.
Если было интересно, подписывайтесь на канал. Поделитесь, о чём ещё хотелось бы узнать?