ВКонтакте и Яндекс вошли в топ 100 популярных сайтов США 2014
Previous
выбрать за меня
Мобильные сайты и приложения работают вместе. Исследование
Next
Никогда еще за всю историю человечества комфорт не был столь угрожающе абсолютным.
Юзабилити

Абсолютное юзабилити. Эра рекомендательных систем.

Автор: Аслан Патов27.01.2015

Когда системы рекомендаций только начинали ненавязчиво внедрять на различных ресурсах, это казалось приятным дополнением к процессу самостоятельного поиска. Когда выбор продукции или какого-либо контента достаточно велик, поиск превращается в увлекательное путешествие с часто непредсказуемым результатом. Например, я никогда не интересовался ужастиками, предпочитая фильмы несколько другой направленности, однако, благодаря случайному копошению в контенте, однажды я наткнулся на классический Hellraiser, случайный же просмотр которого оставил у меня сильное и неизгладимое впечатление. Уверен, что каждый из читателей хотя бы раз обогащался в культурном или эстетическом смысле именно благодаря рандомному поиску и действиям наугад. С другой стороны, я открыл для себя массу интересных вещей с помощью рекомендаций, которые мне предоставляют тематические ресурсы. Многие фильмы, книги, музыка или товары стали мне известны (и интересны) только по причине удачного срабатывания системы рекомендаций. Что характерно, теперь я практически всегда опираюсь на рекомендации и значительно реже ищу что-либо самостоятельно, ведь для последнего уже просто не осталось времени!

Такое положение вещей усугубляется тем, что я вижу, до какой степени рекомендательные алгоритмы стали меня понимать. Если раньше удачные попадания случались не так уж и часто, то сегодня как минимум добрая половина отрекомендованных вещей в той или иной степени меня интересует. А когда я все же пытаюсь вместо апатичного принятия того, что мне предлагают, отыскать нечто стоящее самостоятельно, то быстро сдаюсь под напором невероятного, беспрецедентного изобилия. И чем дальше, тем четче вырисовывается картина не такого уж и далекого будущего, когда окружающая реальность будет непрерывно адаптироваться под вашу личность, постоянно трансформируясь и обучаясь. Никогда еще за всю историю человечества комфорт не был столь угрожающе абсолютным. И никогда еще лазейки для невероятных случайных находок не изымались из пользования столь быстро и категорично.

Принимая наступающее будущее таким, как оно есть, стоит учиться оценивать его критически, выявляя сомнительные или даже темные стороны с таким же рвением, с каким мы стремимся использовать в повседневности новшества, облегчающие нашу участь. Давайте попробуем разобраться в предмете нашего сегодняшнего разговора.



Методы фильтрации, использующиеся в рекомендательных системах

Принципы построения рекомендательных алгоритмов, отфильтровывающих контент, можно выделить в четыре большие группы:

Коллаборативная фильтрация

Коллаборативная фильтрация широко используется не в последнюю очередь из-за относительной простоты реализации. Принцип ее работы и в самом деле несложный, хотя он может разделяться на два различных подхода.

Подход, основанный на сопоставлении пользователей (в народе – user-based), принимает во внимание похожесть заданного юзера на других юзеров, задействованных в системе. К примеру, если Василий положительно оценил Lady Gaga, Oasis и Led Zeppelin, то Анастасии, любящей Lady Gaga и Led Zeppelin, вполне можно попробовать предложить Oasis.



Концепция сопоставления объектов (item-based соответственно), напротив, анализирует сами объекты и выявляет их похожесть на те, которые Василию когда-то понравились. На практике это выглядит так – Василию когда-то понравились Radiohead и Blur, почему бы нам не предложить ему еще и Oasis?

Коллаборативная фильтрация позволяет получать очень точные и уместные рекомендации, основанные на анализе и сопоставлении различий у пользователей с похожим поведением.

 юзабилити, рекомендательные системы

Василий и Анастасия: взаимные автоматические рекомендации на основе различий в предпочтениях.

Контентная фильтрация

Контентная фильтрация выстраивает внутренние связи между предложенными товарами или каким-либо контентом. Этот простой принцип проявляется в рекомендации пользователю объектов, похожих на те, что он выбрал ранее. К примеру, если в книжном магазине вы приобретаете пособие по игре на гитаре, вам автоматически будут предложены другие популярные самоучители или пособия того же автора. Большой плюс рекомендательных систем, использующих принцип контентной фильтрации – возможность заинтересовать нового пользователя предложениями буквально с его первых потребительских шагов. Вам не нужно долгое время собирать данные о предпочтениях человека, вы можете сразу же включить посетителя в работу с ресурсом. Также немаловажное преимущество контентной фильтрации заключается в возможности рекомендовать пользователю те объекты, которые не оценили и обошли стороной другие юзеры. Последний момент часто имеет место при использовании коллаборативного метода.

Контентная фильтрация полностью игнорирует мнения пользователей по поводу тех или иных объектов. Выстраивая связи сугубо между самими объектами, мы имеем возможность моментально, без сбора оценок и дополнительных персональных сведений, предложить человеку что-то похожее на ту позицию, которая его заинтересовала. Выключая пользовательский опыт из рекомендательной системы как основополагающую субстанцию, мы вроде бы решаем проблему т.н. «холодного старта», когда разреженность данных о пользователе мешает системе вырабатывать персонализированные рекомендации. Однако обратная сторона контентной фильтрации заключается в совершенно неуместных, а порой и просто нелепых рекомендациях вроде «Купили Toyota RAV4? Возможно вас также заинтересует Toyota Highlander!»



Другая сложность, связанная с использованием принципа контентной фильтрации – внушительный объем работы по выстраиванию связей между всеми объектами, находящимися в системе. Но самый главный недостаток этого метода выражается в весьма низком, а порой довольно условном попадании в цель. Контентная фильтрация не подразумевает высокую степень персонализации, поэтому точность рекомендаций относительно невелика.

Фильтрация, основанная на знаниях (Knowledgebased systems)

Системы этого типа находят широкое применение в онлайн-магазинах. По сути, рекомендации, основанные на знаниях, схожи с предыдущим методом контентной фильтрации, однако такие алгоритмы используют более глубокий анализ объектов, выстраивая связи между ними не по банальным критериям похожести, а исходя из взаимосвязанности тех или иных групп товаров.

На практике это выглядит следующим образом – приобретая, к примеру, смартфон, сайт предлагает вам аксессуары, подходящие для использования вместе с вашим новым устройством. Это могут быть чехлы, наушники, карты памяти и все в таком роде. Дополнительно простимулировать покупателя можно с помощью предоставления скидки на аксессуары, которые могут быть очень кстати в связи с приобретением нового девайса.

юзабилити, рекомендательные системы

Примерно так выглядят рекомендации в системе knowledgebased. Впрочем, пример иллюстрирует не слишком выверенную систему – с защитными пленками явный перебор. 

Рекомендации, основанные на знаниях, демонстрируют неплохие результаты, поднимая оборот крупных сетевых торговых площадок на десятки процентов. Кроме того, в отличие от контентной фильтрации, этот тип рекомендаций обладает высокой точностью, предлагая пользователю то, что ему действительно может пригодиться.

Если вас интересуют точные рекомендации, то вам определенно стоит подумать над внедрением knowledge-based системы на своем ресурсе. Как и контентная фильтрация, рекомендательная система, основанная на знаниях, изучает и анализирует взаимосвязи между объектами (товарами), но, кроме того, она учитывает ряд дополнительных опций, относящихся к индивидуальным свойствам конкретного пользователя.

а) Пользовательские пожелания. Знакомая всем ситуация – сайт предлагает пользователю указать желаемые характеристики, после чего предлагает подходящие под запрос товары.

юзабилити, рекомендательные системы

Яндекс.Маркет и его чекбоксы – удачный и яркий пример рекомендационной системы, которая руководствуется пользовательскими требованиями.

б) Демографические особенности. Собственно, демографические данные для выработки рекомендаций используют крупнейшие социальные сети, такие как Facebook, LinkedIn, Вконтакте и другие.

юзабилити, рекомендательные системы

Рекомендации в Facebook учитывают массу нюансов, но демографические особенности пользователя являются основными исходными данными.

Конечно, для реализации такой системы нужно как следует потрудиться – вам придется собрать и обработать огромный массив данных.

Гибридная фильтрация

Самый мощный и сложный в реализации инструмент. По всей видимости, будущее именно за совмещением различных рекомендательных механизмов в единый мощный алгоритм. Тот абсолютный комфорт и персонифицированная реальность, о которой мы говорили в начале статьи, будут реализованы именно с помощью гибрида самых эффективных методов рекомендации.

Такой пример демонстрирует Netflix, чья сложная гибридная система рекомендаций, демонстрирующая уникальную точность, постоянно совершенствуется и модернизируется. Разработка такого мощного алгоритма во многом связана с щедрым финансированием исследований в этой области самим Netflix, который в 2006 году предложил $1.000.000 за усовершенствование своей системы рекомендаций на 10%.

юзабилити, рекомендательные системы

Команда разработчиков BellKor’s Pragmatic Chaos, которым удалось улучшить алгоритм Netflix на 10,09%.

Пара слов о практических шагах в качестве заключения

Выбор конкретного типа фильтрации или комбинации из нескольких методов напрямую зависит от двух факторов – сложности вашего проекта и размера его финансирования. К примеру, создать алгоритм для системы из тематических, пересекающихся друг с другом блогов – задача относительно простая и умеренно затратная. Более масштабные и неоднородные проекты, такие как онлайн-магазины, требуют больших затрат, особенно в том случае, если стоит задача увеличить конверсию на действительно значимые величины. Как правило, в таких проектах не получается ограничиться каким-то одним видом рекомендательного алгоритма и приходится использовать гибридную фильтрацию, в результате чего стоимость и сложность разработки увеличивается на порядки.

Для создания, внедрения и отладки гибридного алгоритма вам потребуется целая команда опытных разработчиков, хорошо осведомленных о том, что такое линейная и реляционная алгебра, а также обладающих целым рядом навыков, выделяющих создателей рекомендационных алгоритмов фактически в отдельную профессию.

Так или иначе, разрабатывая проект, предлагающий пользователю возможность выбирать конкретные объекты из общего множества, необходимо учитывать стремительный прогресс юзабилити абсолютно во всех сферах человеческой жизни – от оптимизации сна при помощи приборов, анализирующих все протекающие во сне процессы и выдающих рекомендации по его улучшению, до автоматического подбора повседневных товаров исходя из текущих потребностей пользователя. Как известно, непременное условие для успеха любого начинания – его точное соответствие духу времени.

Реакция на статью
поделюсь
0%
интересно
0%
полезно
0%
не уверен
0%
скучно
0%
где автор?
0%
Комментарии
Оставить отзыв

    You must log in to post a comment

    ПОДПИШИТЕСЬ НА НАШУ РАССЫЛКУ!
    Уведомления о новостях, статьях и инфографике будут приходить раз в неделю.
    ПОДПИШИТЕСЬ НА НАШУ РАССЫЛКУ!
    Позвольте нам обновлять ваши знания раз в неделю.