Content recommendation engine

Aflați ce face și cum funcționează o recomandare de conținut, inclusiv cele trei tipuri de motoare de filtrare - colaborative, bazate pe conținut și hibride.

Companiile care doresc să ofere o experiență personalizată clienților lor online folosesc frecvent un fel de motor de recomandare a conținutului. Această tehnologie poate crea conținut dinamic al paginii web pentru vizitatori, precum și poate recomanda produse cumpărătorilor. Cele mai importante site-uri web de astăzi - inclusiv Amazon, Facebook, Google și Netflix - folosesc recomandări de conținut pentru a-și servi mai bine utilizatorii.

Chei de luat masa
Un motor de recomandare de conținut oferă conținut personalizat și sugestii vizitatorilor site-ului web pentru a-și optimiza experiența

Există patru pași implicați în recomandarea de conținut: colectarea datelor, stocarea datelor, analiza datelor și filtrarea datelor

Filtrarea colaborativă face recomandări bazate pe cât de asemănător este un utilizator cu ceilalți utilizatori

Filtrarea bazată pe conținut face recomandări pe baza aprecierilor și a aprecierilor unui utilizator

Modelul hibrid de recomandare folosește un amestec atât de filtrare colaborativă, cât și de filtrare bazată pe conținut, pentru a face cele mai exacte recomandări

Ce face un motor de recomandare a conținutului?
Un motor de recomandare a conținutului este o soluție software care creează experiențe personalizate ale utilizatorului prin analiza datelor despre utilizatori și despre produse. Motorul analizează comportamentul online din trecut al utilizatorului, aprecierile și aprecierile acestuia și alte informații cheie și folosește acele date pentru a furniza conținut personalizat sau pentru a face recomandări de cumpărare sau vizualizare specifice acelui utilizator.

Prin utilizarea motoarelor de recomandare a conținutului, Amazon vă poate recomanda produse atunci când faceți cumpărături online sau Netflix vă poate sugera noi emisiuni și filme pe care ați putea dori să le vizionați. Dacă sunteți nou-nouț pe site, este posibil să nu găsiți multe recomandări - sau recomandările pe care le aveți pot să nu fie utile. Dar pe măsură ce continuați să utilizați site-ul și site-ul să știe ce vă place și ce nu vă place, veți găsi sugestii din ce în ce mai exacte.

Unele motoare de recomandare a conținutului alimentează conținut dinamic către paginile web pe care le vizitați. Pe baza comportamentului dvs. de vizionare din trecut - și a comportamentului de vizionare al altor utilizatori ca dvs. - motorul de recomandare a conținutului poate genera automat conținut personalizat în timp ce derulați pagina.

Utilizatorilor le place recomandarea de conținut, deoarece le oferă o experiență mai personalizată. Companiilor le plac motoarele de recomandare, deoarece o experiență de utilizator mai personalizată duce la creșterea numărului de vizionări și achiziții. Este un câștig-câștig pentru toți cei implicați.

Cum funcționează un motor de recomandare de conținut?
Recomandarea de conținut este de obicei un proces în patru pași. Este o chestiune de colectare a datelor, stocarea acestor date, analizarea datelor și apoi filtrarea datelor pentru a oferi recomandări.

1. Colectarea datelor
Toate motoarele de recomandare a conținutului au nevoie de date pe care să își bazeze recomandările. Aceste valori pot fi legate de utilizator (informații demografice, obiceiuri de cumpărare / vizualizare etc.) sau despre produse (cuvinte cheie, descriere etc.). Unele date sunt explicite (culese din datele clienților); unele sunt implicite (obținute din comportamentul clienților, cum ar fi istoricul comenzilor).

2. Stocarea datelor
Setul de date colectat trebuie stocat într-un fel de bază de date, cum ar fi o bază de date SQL, astfel încât să poată executa algoritmul de recomandare.

3. Analiza datelor
Sistemul de recomandare a conținutului analizează apoi datele stocate și caută relații între punctele de date. Acest lucru poate avea loc în timp real sau printr-o analiză discontinuă nedinamică.

4. Filtrarea datelor
Pasul final al procesului de recomandare a conținutului filtrează datele pentru a obține informațiile relevante necesare pentru a face o recomandare exactă utilizatorului. Acest lucru se face de obicei printr-un fel de algoritm - colaborativ, bazat pe conținut sau un hibrid dintre cele două abordări.

Tipuri de motoare de filtrare
Există trei tipuri principale de filtrare utilizate pentru recomandarea conținutului. Unele modele utilizează filtrarea colaborativă, altele folosesc filtrarea bazată pe conținut, iar altele folosesc un hibrid dintre aceste două metode.

Filtrare colaborativa
Filtrarea colaborativă colectează și analizează o varietate de date pentru a prezice ce le va plăcea utilizatorilor, pe baza cât de asemănător este un utilizator cu ceilalți utilizatori. Un motor de filtrare colaborativă folosește informații despre activitățile, comportamentele și preferințele utilizatorilor, cum ar fi dacă le plac anumite alimente, filme sau îmbrăcăminte. Predicțiile sunt făcute folosind diverse tehnici de învățare automată.

Avantajul filtrării colaborative este că nu analizează și nu înțelege conținutul care stă la baza acestuia. Pur și simplu alege conținut pe baza a ceea ce se știe despre utilizator. Acesta este, de asemenea, un dezavantaj, deoarece recomandările poartă adesea doar similitudini la nivelul suprafeței cu ceea ce îi place de fapt utilizatorului.

De exemplu, dacă utilizatorului A îi plac aceleași emisiuni TV ca și utilizatorul B, iar utilizatorului A îi plac și tricourile polo, un motor de filtrare colaborativă ar putea presupune că utilizatorului B i-ar plăcea și tricourile polo și ar recomanda conținutului legat de tricoul acelei persoane. Dacă recomandările se bazează pe suficiente puncte de date, acestea pot fi surprinzător de exacte. Cu toate acestea, recomandările bazate pe mai puține puncte de date pot avea ca rezultat doar recomandări superficiale.

Amazon.com folosește filtrarea colaborativă pentru motorul său de recomandare. Amazon folosește algoritmi sofisticați pentru a recomanda produse similare pe baza a ceea ce clienții au achiziționat recent pentru a susține păstrarea. Site-ul afișează apoi aceste recomandări în secțiunea „Articole care vă pot plăcea” de pe fiecare pagină a produsului. Rezultatul? Potrivit cercetărilor McKinsey & Company, 35% din vânzările Amazon provin din recomandări de produse.

Filtrare bazată pe conținut
Filtrarea bazată pe conținut adoptă o abordare diferită. Acest tip de motor folosește inteligența artificială pentru a recomanda articole similare celor pe care utilizatorul le-a vizualizat sau cumpărat anterior într-un efort de a spori experiența clientului. Gândirea este că, dacă unei persoane îi place articolul A, iar articolul B este similar cu articolul A, atunci persoanei îi va plăcea și articolul B. De exemplu, dacă un utilizator a urmărit sau a cumpărat unul sau mai multe filme Marvel, filtrarea bazată pe conținut motor ar putea recomanda utilizatorului respectiv o emisiune TV Marvel, deoarece acestea sunt evident similare în ceea ce privește conținutul.

Eficacitatea filtrării bazate pe conținut se limitează la recomandarea unor tipuri de conținut sau de articole similare utilizatorilor similari. De exemplu, cunoașterea preferințelor filmului unui utilizator ar fi de puțin ajutor pentru a determina ce tipuri de alimente ar dori acea persoană.

Pentru un bun exemplu de filtrare bazată pe conținut, nu căutați mai departe de Facebook. Când Facebook vă recomandă potențiali prieteni, o face pe baza conținutului dvs. personal - unde locuiți, unde ați lucrat, unde ați mers la școală. Este o filtrare aproape pură bazată pe conținut.

Recomandare hibridă
Modelul hibrid de recomandare combină modelele de filtrare colaborativă și bazate pe conținut. Acesta analizează atât datele de utilizare ale clienților, cât și descrierile de conținut și, ca atare, oferă recomandări mai precise decât oricare dintre metodele individuale.

Streaming-ul gigant video Netflix reprezintă un exemplu real al utilizării modelului de recomandare hibridă. Pentru a oferi recomandări spectatorilor săi, Netflix analizează emisiunile pe care spectatorii le-au urmărit, precum și conținutul emisiunilor pe care le-ați urmărit. Recomandările rezultate sunt mai personalizate decât s-ar putea realiza altfel - și reprezintă 75% din ceea ce privesc spectatorii în cadrul serviciului.