Образование, книги, периодика и
библиотеки в электронном веке

Советы хорошие и разные: как рекомендательные алгоритмы управляют пользователями и при чем здесь нейросети

Рекомендательные системы серьезно упрощают общение с сайтами и в мобильных приложениях, которые, кажется, уже умеют угадывать желания пользователей. Корреспондент «Либинформа» рассказывает о том, как устроены рекомендации на популярных онлайн-платформах, и какое будущее ждет эти технологии.

 

Улыбнитесь — ваши действия предсказывает алгоритм!

Рекомендательные системы на интернет-сайтах известны с конца 90-х годов прошлого века. На заре своего развития известность получили разработки торговых платформ Amazon и eBay. Поисковые системы и торговые агрегаторы того времени были далеки от совершенства, и интернет-магазинам пришлось  самостоятельно искать способы демонстрации (и продажи) товаров потенциальным покупателям. 

До 2006 года технологии рекомендаций считались нишевыми и не пользовались популярностью ни среди разработчиков, ни у средних по аудитории интернет-сайтов. Разработка казалось излишне сложной и затратной, но ситуацию быстро изменил конкурс компании Netflix с призовым фондом в $ 1 000 000. 

Будущий гигант видеостриминга в нулевых работал как прокат фильмов на DVD-дисках. Netflix был своего рода каталогом и работал по заявкам с собственного сайта, которые перенаправлялись в логистические центры. Компании требовалось улучшить систему рекомендаций, чтобы поднять средний чек сервиса — заставить пользователей заказывать чаще и больше. Конкурс завершился лишь в 2009 году — победителям удалось поднять качество рекомендаций более чем на 10%. Наработки участников впоследствии были коммерциализированы, ими и сегодня пользуются десятки компаний со всего мира .

В настоящее время рекомендательные системы доминируют на рынке клиентских платформ. Они встроены в приложения большинства интернет-магазинов и агрегаторов товаров (Amazon, Ozon, Beru, Aliexpress), в потоковые (стриминговые) и мультимедийные сервисы (Youtube, Netflix, AppleMusic, российские Amediateka, IVI, Яндекс-Музыка, Boom и др.), в приложения банков, в навигаторы, в платформы поиска работы и в новостные ленты соцсетей. 

При этом задача рекомендательных систем за 20 с лишним лет практически не изменилась — это, как и прежде, удержание внимания пользователей на сайтах или в приложениях с помощью рекомендаций либо стимулирование к выполнению заданных целевых действий, таких как покупка товара, подписка, пожертвование. 

Рекомендательные алгоритмы работают неявно, но каждый из нас может насладиться результатами этой работы, открыв приложение или сайт любой крупной платформы. Например, рекомендованная музыка, звучащая по окончании пользовательского плейлиста в приложении Boom, должна вызывать яркие эмоции, а рекомендованные видео в Youtube должны поддерживать интерес зрителя или разжигать его. 

Новинки с главных страниц интернет-магазинов также должны соответствовать ожиданиям и интересам каждого покупателя, поэтому витрины этих сайтов стали динамическими, то есть генерируемыми под каждого конкретного пользователя или для группы пользователей со схожими интересами. Механизмы рекомендаций дают возможность проводить персональные распродажи и при определенных условиях открывать персональные скидки на те или иные товары, «подогревая » покупателей к совершению нужных платформе действий.

Однако удержание внимания и стимулирование активности посетителей — непростая задача. Для ее решения требуются данные о контенте и пользователях, обработав которые, алгоритмы рекомендательных систем создают прогностические модели: они, в свою очередь, содержат обезличенные записи о поведении на сайте, привычках, вкусах, а в случае интернет-магазинов — историю покупок и отзывов. 

После того, как достаточное количество данных обработано, наступает черед прогнозов, за которые и отвечают алгоритмы (методы рекомендаций) рекомендательных систем. Таким образом, симбиоз технических средств, данных и прогностических моделей позволяет предугадывать поведение как уже знакомых системе, так и новых посетителей сайта или приложения.

Генераторы рекомендаций и сферы их применения

Наиболее популярны и активно развиваются два основных прогностических метода: контентный метод и метод коллаборативной фильтрации. Системы, архитектура которых задействует контент-методы, рекомендуют пользователю объекты (товары, услуги, объекты мультимедиа), схожие с теми, которые пользователь  уже использовал ранее. Проще говоря, контент-метод определяет связи между объектами в базе данных, находя сходства в их содержимом, и дает прогноз на основе этих сходств. 

Контентный метод активно используется мультимедийными платформами. Например, стриминговые сервисы, такие как AppleMusic, Музыка Яндекса , Boom и другие, с помощью анализа своего контента выявляют закономерности в фонограммах и рекомендуют своим пользователям музыку подходящих жанров и стилей, а также композиции и плейлисты, которые соответствуют периодам каждодневной активности —  музыка для пробуждения, работы, занятий спортом, вечеринок.

Коллаборативная (или совместная) фильтрация, напротив, использует в качестве исходных данных не свойства контента, а известные предпочтения некоторой группы пользователей, и на основании этих предпочтений может делать довольно точные прогнозы. Чем больше данных об активности пользователей удается собрать телеметрии, тем точнее будут эти прогнозы, и в конечном итоге система научится за короткое время довольно точно давать рекомендации недавно зарегистрированным на платформе — на сайте или в приложении — пользователям. 

Рекомендательные системы находят применение и в книжной отрасли. Электронно-библиотечная система «Лань» в 2020 году начала применять метод коллаборативной фильтрации. Теперь пользователи электронной библиотеки «Лани» могут получать рекомендации: алгоритм покажет именно те книги, которые чаще всего выбирают пользователи с аналогичными научными интересами.

Это позволит значительно улучшить работу ЭБС «Лань»: пользователи получат еще один гибкий и современный инструмент для научной работы и учебы, качественные книги и журналы получат  больший охват аудитории, а правообладатели получат  большие вознаграждения.

Новый шаг разработчиков массовых интернет-сайтов и популярных приложений — объединение рекомендательной системы с искусственным интеллектом. Слияние двух технологий сделает предсказания систем еще точнее, работу разнообразных сервисов эффективнее, а значит и Интернет через некоторое время перейдет на качественно новый уровень обслуживания: станет более удобным для пользователей. Основой для такого технологического рывка в будущее станут хорошо знакомые разработчикам рекомендательные системы.