Рекомендательные системы

Создание и успешная деятельность большинства гигантов современной IT-индустрии и интернет-торговли, начиная с Google, Facebook и Netflix, а заканчивая Amazon, Walmart и Alibaba, были бы попросту невозможны без использования рекомендательных систем. Именно возможность проанализировать и определить предпочтения пользователей лежит сегодня в основе большинства бизнесов. Поэтому имеет смысл подробнее остановиться на том, что собой представляют рекомендательные системы, как они работают, в чем состоят их основные плюсы и минусы.

Рекомендательные системы – что это и как работает?

Рекомендательной системой принято называть набор алгоритмов, сервисов или других программных продуктов, позволяющих определить предпочтения конкретного человека. Для этого используются различные данные – от личной информации о пользователе до сделанных им запросов в поисковых системах. Результатом становится выведение на экран именно тех предложений, которые окажутся интересными ему.

В чем состоит основная задача любой рекомендательной системы для бизнеса достаточно очевидно. Она заключается в увеличении объемов продаж – товаров, услуг, контента и т.д. Эффективность современных рекомендательных систем не вызывает сомнений. Те, кто умеет их создавать и использовать, возглавляют рейтинги крупнейших мировых корпораций и самых богатых людей планеты.

Сказанное подтверждается и статистическими данными. Так, по некоторым оценкам, больше трети выручки онлайн-магазина Amazon приходится на рекомендованные товары.

Для онлайн-кинотеатра Netflix этот показатель еще выше и достигает 75%.

Алгоритмы

Принцип работы любой рекомендательной системы предельно прост. Она базируется на алгоритмах искусственного интеллекта, главной целью которых становится сбор и анализ информации о потенциальном клиенте. Источником данных становится все:

• поисковые запросы;
• время просмотра ролика на YouTube;
• личные сведения из профиля в социальной сети;
• сделанные и несделанные покупки;
• многое другое.

До недавнего времени возможности рекомендательных систем были ограничены отсутствием компьютеров, способных обработать настолько серьезные объемы информации. Сегодня такой проблемы нет, что привело к повсеместному распространению подобных алгоритмов.

Виды рекомендательных систем

Выделяют четыре основных разновидности рассматриваемых систем выдачи рекомендаций. Каждая представлена собственным набором алгоритмов и особенностями принятия решений.

Фильтрация на основании контента

Самый простой и очевидный способ определения предпочтений и интересов пользователя. Если человек посмотрел комедию, будет вполне логичным предложить ему еще несколько фильмов аналогичного жанра. Прослушивание трека рэп-исполнителя наверняка означает, что программа порекомендует как еще несколько песен от него, так и произведения других авторов этого направления музыки.

Плюс такого подхода к фильтрации очевиден – он требует минимума ресурсов и предельно прост. Но при этом имеет и явный минус. Например, если клиент совершил дорогую покупку – автомобиль, не имеет смысла предлагать ему еще 10 машин. Вероятность еще одного такого приобретения крайне мала. В этом случае помогает второй вид рекомендательных систем.

Коллаборативная фильтрация

Коллаборацией называют совместную деятельность нескольких сторон. Отсюда следует, что коллаборативная фильтрация предусматривает выдачу рекомендаций в категориях, близких к приобретенному товару или услуге. Например, покупателю автомобиля из предыдущего абзаца имеет смысл предложить чехлы на сиденья или новую резину. Тем более – зимнюю, если дело идет к холодному времени года. Но и такой подход не лишен недостатков.

Поэтому целесообразно прибегнуть к третьему.

Фильтрация на основе знаний

Самый сложный способ выдачи рекомендаций. Он предусматривает максимальную детализацию запросов потенциального покупателя с целью сбора информации о его предпочтениях. Например, применительно к дому речь идет об этажности, площади, основном материале строительства и других подобных параметров.

Только после получения значений по каждому система выдает рекомендации, которые наверняка будут представлять интерес для покупателя. Высокая эффективность этого способа компенсируется сложностью разрабатываемых алгоритмов и необходимостью удерживать внимание пользователя в течение времени, которое требуется для указания запрашиваемых параметров.

Гибридные системы

Каждая из описанных выше рекомендательных систем имеет как ярко выраженные плюсы, так и не менее существенные минусы. Именно поэтому наибольшее распространение получили гибридные наборы алгоритмов, представляющие собой комбинацию из разных способов выдачи рекомендаций.

При таком подходе к решению задачи особенно актуальным становится баланс между ними.

Логичным следствием этого выступает секретность алгоритмов, используемых рекомендательными системами самых крупных и известных корпораций.

Примеры рекомендательных систем и принципов их работы

Для большей наглядности целесообразно рассмотреть несколько примеров из реальной жизни. При этом необходимо учитывать сказанное выше насчет засекречивания некоторых данных, характерного для большей части самых успешных рекомендательных систем.

Netflix

Одна из самых крупных IT-корпораций мира использует в работе специально созданную рекомендательную систему под названием Cinematch. Значительная часть ее алгоритмов скрыта, но некоторые принципы функционирования выделить все-таки можно. Главные из них заключается в следующем:

• указание нескольких любимых направлений контента – фильмов и сериалов – уже в процессе регистрации;
• активное предложение ставить по отношению к любому продукту лайки и дизлайки;
• сбор максимально возможной информации о каждом конкретном пользователе – от перечня и длительности просмотренного контента до предпочтительного для посещения кинотеатра времени суток;
• четкое описание любого нового продукта, позволяющее потенциальному клиенту получить о нем исчерпывающее представление;
• объединение посетителей кинотеатра в группы, из которых формируются еще более многочисленные сегменты – для любого из них разрабатываются общие рекомендации.

Результатом становится лента рекомендаций от Netflix, которая доступна любому пользователю. Она постоянно корректируется и видоизменяется с учетом вновь поступившей информации и клиенте и результатов ее многократного анализа.

Facebook

Корпорация частично раскрыла алгоритмы используемой рекомендательной системы в первой половине 2019 года. На ее основе была создана так называемая DLRM или рекомендательная модель глубокого обучения. Ее главными особенностями выступают такие:

• активное задействование разных алгоритмов фильтрации, результатом чего становится получение на выходе гибридной модели рекомендательной системы;
• ориентация на сбор информации о пользователе из всех доступных источников;
• применение незаурядных возможностей и функционала современных нейронных сетей, что позволяют сделать вычислительные мощности, которые имеются в распоряжении Facebook.

Функционирование социальной сети выглядит несколько более сложным и разносторонним, чем онлайн-кинотеатра.

Но обе корпорации – Facebook и Netflix – одинаково продуктивно и целенаправленно работают над постоянным совершенствованием своих рекомендательных систем. Что подтверждают успешные результаты их деятельности, в том числе – в части коммерческих показателей.

Плюсы и минусы рекомендательных систем

Первое и самое главное преимущество рекомендательных систем очевидно и заключается в увеличении трафика поисковых систем, онлайн-магазинов и различных интернет-сервисов. Результатом становится увеличение количества заказов или числа клиентов, а как следствие – объемов продаж и прибыли.

Но обычным пользователям рекомендательные системы также полезны. Дело в том, что при грамотном применении они делают интерфейс и само использование любых онлайн-продуктов намного более удобным и комфортным для посетителей. Как итог – усреднение аудитории и потеря индивидуальности каждым конкретным пользователем.

Оборотной стороной очевидных преимуществ становятся и неизбежные недостатки. Основной из них заключается в привыкании к подсказкам искусственного интеллекта и нежелании людей запускать собственный. Пользователи перестают изучать что-то новое, тем более – если предлагаемое системой их вполне устраивает.

Еще более актуальной является проблема навязывания мнения аудитории того или иного интернет-ресурса. Особенно острой она становится применительно к социальным сетям. Умная лента новостей формирует мировоззрение пользователей, причем далеко не только в вопросах развлечений или игр.

Намного более серьезные последствия может иметь такое влияние на политические взгляды аудитории.

Мифы о рекомендательных системах

В настоящее время особенно актуально рекомендательные системы используются крупными корпорациями. В этом нет ничего удивительного, так как разработка любого подобного программного продукта с элементами искусственного интеллекта требует серьезного финансирования. Осилить его способна далеко не каждая компания.

Помимо необходимости существенных капитальных вложений, активному внедрению рекомендательных систем мешают сформировавшиеся вокруг мифы. Поэтому имеет смысл рассмотреть основные из них более внимательно, а при возможности – развенчать, если они не соответствуют действительности.

Требуется обработка огромных массивов данных

Далеко не всегда задача является такой уж неподъемной. Особенно в том случае, если в качестве источника информации можно использовать уже имеющиеся и готовые к анализу базы данных.

Например, сведения, автоматические собираемые онлайн-кассой, присутствующей сегодня практически в любой торговой точке.

Их вполне достаточно для работы рекомендательной системы.

Искусственный интеллект еще не может дать нужный результат

Против этого мифа можно привести сразу два очень веских довода. Первый – это наличие давно и успешно применяемых методик оценки эффективности использования рекомендательных систем. Причем на рынке существуют как платные, так и бесплатные инструменты для этого.

Второй касается быстрого совершенствования алгоритмов самих рекомендательных систем. Что позволяет надеяться на еще больший КПД от их внедрения в самое ближайшее время.

Вложения в рекомендательные системы так велики, что не окупаются

Данное утверждение можно признать справедливым, но лишь отчасти. Действительно, особенно высокую эффективность системы выдачи рекомендаций показывают при использовании для крупных аудиторий.

Но и небольшому интернет-магазину они вполне способны принести заметную пользу. Тем более – в этом случае для разработки и внедрение системы требуется существенно меньше финансовых ресурсов. Практика показывает: грамотное использование даже самых простых алгоритмов выдачи рекомендаций пользователям позволяет резко увеличить объемы продаж.

В результате вполне реально полностью окупить необходимые на их разработку инвестиции в течение квартала или полугодия. После этого функционирование системы начинает приносить чистую прибыль.

Что почитать или посмотреть по теме?

1. Видео лекция К.В. Воронцова «Машинное обучение. Рекомендательные системы.
2. Канал на YouTube «Машинное обучение». Занятие 17. Рекомендательная система.
3. Видео ролик на YouTube «Рекомендательные системы: архитектура и применение».
4. Видео ролик на YouTube «Яндекс изнутри: рекомендательные системы Музыки и Дзена».
5. Г. Линден, Б. Смит и Дж. Йорк «Amazon.com рекомендации: совместная фильтрация по элементам» (2003).
6. Кутянин А.Р. «Рекомендательные системы: обзор основных постановок и результатов».

FAQ

Что такое рекомендательные системы?

Под рекомендательной системой понимается набор алгоритмов, программ или сервисов, предназначенный для выдачи в качестве рекомендаций интересных пользователям продуктов, товаров или услуг.

Каков принцип их действия?

Общий механизм работы рекомендательных систем достаточно прост: сначала собираются данные о пользователе, затем их анализирует специально разработанный алгоритм, после чего на основании полученных результатов клиенту выдается набор рекомендаций.

Для чего они предназначены?

Основная функция рекомендательных систем заключается в привлечении и удержании как можно более многочисленной аудитории и, как следствии, увеличении объемов продаж.

Какие виды рекомендательных систем существуют?

Обычно выделят четыре вида подобных программных продуктов, которые различаются по принципу фильтрации – на основе контента, при схеме коллаборации, на основе знаний и комбинированную, предусматривающую использование различных комбинаций трех первых.

В чем преимущества и недостатки рекомендательных систем?

Главный плюс для бизнеса – рост продаж товаров и услуг, что ведет к увеличению прибыли. Польза для посетителей выражается в более комфортных условиях использования сайта. Недостатки связаны с унификацией пользователей, потерей ими индивидуальности, а также возможности формировать и навязывать аудитории определенное мировоззрение.

Подведем итоги

1. Рекомендательная система – комплекс алгоритмов, который позволяет отобрать и рекомендовать товары и услуги, наиболее интересные пользователю.
2. Основная схема действия рекомендательных систем заключается в следующем: собираются и анализируются данные о клиенте, после чего на базе полученных результатов определяются продукты, способные его заинтересовать.
3. Особенно высокую эффективность рекомендательные системы показали при внедрении в крупные корпорации – ведущие IT-компании мира и самые массовые социальные сети.
4. Но при правильной разработке и внедрении алгоритм выдачи рекомендаций способен принести пользу и небольшому онлайн-магазину, причем вложения достаточно быстро окупаются.