28.11.2024

Новости

Как меняются и на чем учатся рекомендательные системы медиасервисов

С каждым годом рекомендательные алгоритмы работают все лучше: они накапливают знания о пользователях и могут лучше угадывать, что им предложить. Такие технологии развивают социальные сети, маркетплейсы, онлайн-кинотеатры и книжные сервисы. “Ъ” узнал у участников рынка, откуда берутся данные для рекомендаций, как они обрабатываются и как рекомендательные сервисы будут работать в ближайшем будущем.

Как работают рекомендации

Рекомендательная система — это разновидность системы фильтрации информации. Такие алгоритмы помогают принимать пользователям сервисов решения, например, о том, какой продукт приобрести, какую музыку послушать, какой фильм посмотреть в определенный момент времени. Рекомендации работают по-разному в зависимости от задачи конкретного сервиса.

Так, например, в маркетплейсе рекомендации — это персональный шопинг-ассистент, который предлагает пополнить запасы, находит более подходящий или выгодный товар, говорит руководитель направления рекомендаций Wildberries Максим Пасашков. «Под капотом все выглядит более прозаично: набор алгоритмов машинного обучения предсказывает, что и в какой момент может понадобиться пользователю. Здесь применяется целый спектр технологий: от простейших коллаборативных фильтраций и статистических моделей до глубоких нейронных сетей на последовательностях и графах»,— говорит он.

В музыкальных сервисах рекомендации можно назвать «очень внимательным музыкальным консультантом, который не только экспертен в музыке, звучании и жанрах, но и знает именно вас, ваши вкуса и предпочтения», объясняет руководитель сервиса «Яндекс Музыка» Александра Сагалович. Он одновременно анализирует три важных аспекта: что слушает пользователь, что слушают похожие на него пользователи и саму музыку — ее звучание, ритм, настроение, добавила она.

В целом рекомендации всегда ориентируются на два показателя: личные предпочтения пользователя и пересечение интересов конкретного пользователя с другими, похожими на него, рассказывает представитель «Кинопоиска». «Система рекомендаций не только начинает предлагать вам больше фильмов того жанра, который вы выбираете чаще, но и находит пользователей, которые высоко оценили те же картины, что и вы. Алгоритм рекомендует фильмы и сериалы, которые пользователи, похожие на вас, уже посмотрели и оценили высоко»,— говорят в сервисе.

В книжных сервисах рекомендации позволяют преодолеть «первичный барьер к чтению» — проблему выбора, говорит руководитель сервиса «Яндекс Книги» Виталий Григораш: «Рекомендации помогают найти нужную или подходящую в этот момент книгу, пользователь знает, что будет читать и слушать следующим».

Какие данные используют рекомендации

Виды данных, которые уточняют «цифровые профили» пользователей, зависят от конкретного продукта. Рекомендации в Wildberries, например, работают с использованием данных по кликам, заказам, поисковым запросам и иной информации об активности пользователя на сайте, рассказали в маркетплейсе. В VK рекомендательные алгоритмы строятся на основе анализа десятков и сотен петабайт данных, говорят в холдинге: «Например, в "VK Видео" мы анализируем не только просмотры, лайки, комментарии, но и время просмотра, географию, досматриваемость и другие контекстные данные».

Полную версию статьи читайте на kommersant.ru

Фото: Getty Images



Еще новости / Назад к новостям