Новость по компании ЯНДЕКС
Как развиваются и обучаются рекомендательные системы медиасервисов. С каждым годом рекомендательные алгоритмы становятся все более эффективными, накапливая знания о пользователях и предсказывая их предпочтения. Эти технологии активно развиваются в социальных сетях, маркетплейсах, онлайн-кинотеатрах и книжных сервисах. Давайте посмотрим, откуда берутся данные, как они обрабатываются и куда движутся рекомендательные сервисы в будущем. Основы работы рекомендательных систем. Рекомендательная система — это специфическая форма информационной фильтрации, помогающая пользователям принимать решения о покупках, выборе музыки или фильмов. Разные услуги используют различные подходы к рекомендациям. Например, на маркетплейсе эта функция напоминает персонального шопинг-ассистента, который помогает не только выбрать товары, но и предвидеть потребности пользователя. «Мы используем алгоритмы машинного обучения для предсказания потребностей покупателя», — поясняет Максим Пасашков, руководитель направления рекомендаций Wildberries. В сфере музыки система предоставляет индивидуальные рекомендации, анализируя предпочтения пользователей, схожесть с другими и характеристики самих треков. Александра Сагалович, руководитель «Яндекс Музыки», подчеркивает важность анализа звучания, ритма и настроения музыки для создания персонализированных плейлистов. Кинематографические платформы также сотрудничают с алгоритмами, которые анализируют предпочтения пользователей, чтобы рекомендовать фильмы и сериалы на основе их оценок. Это позволяет находить контент, который подходит именно им. В книжных сервисах, как «Яндекс Книги», рекомендации снимают «барьер выбора», помогая пользователям находить подходящие книги для чтения. Данные для рекомендаций. Используемые данные зависят от конкретного сервиса. В Wildberries учитываются клики, заказы и поисковые запросы, а в VK используются сотни петабайт данных о просмотрах, лайках и других действиях пользователей. В «Яндекс Музыке» рассматриваются завершенные прослушивания и пропуски треков, а также данные миллионов пользователей для выявления скрытых музыкальных связей. Кинопоиск анализирует пользовательские оценки, чтобы оптимизировать рекомендации. KION обращает внимание на соцдемографические характеристики и взаимодействия с контентом, а Okko фокусируется на контексте и эмоциональном состоянии пользователей. Зачем нужны рекомендации. Рекомендательные алгоритмы уже не воспринимаются как что-то новое — теперь это необходимость, удовлетворяющая потребности пользователей в эффективном выборе. Более точные рекомендации увеличивают лояльность и активность, что, в свою очередь, способствует росту времени, проведенного на сервисе. «Чем меньше времени уходит на поиск, тем больше времени остается на наслаждение контентом», — объясняют в VK Музыке. Активное использование рекомендаций снижает вероятность оттока пользователей, а в Okko, к примеру, наблюдается рост просмотров контента по рекомендациям на 50%. Будущее рекомендательных систем. Развитие рекомендательных систем происходит органически. По мере роста сервисов и их аудитории увеличивается объем данных для обучения моделей. В VK наращивают количество сигналов, которые помогают определить настроение пользователей, а в «Яндекс Музыке» применяются глубокие нейронные сети для более точного понимания изменений музыкальных интересов. Маркетплейсы, в свою очередь, начинают отличать модные товары с помощью нейросетей, обученных на множестве изображений. В будущем рекомендательные алгоритмы могут «предугадывать» предпочтения пользователей еще до того, как они сами осознают их. Максим Пасашков предполагает, что одним из трендов станет использование чат-ботов для взаимодействия с пользователями. Также важно будет преодолеть «рекомендательный пузырь», чтобы открывать пользователям новые жанры и исполнителей. В книжных сервисах технологии будущего могут помочь находить не только похожие книги, но и выявлять интересные сюжетные повороты. Эти изменения позволят сделать рекомендационные системы более умными и адаптивными, улучшая пользовательский опыт и расширяя горизонты медиа. Источник: www.kommersant.ru
Пост взят с международного финтех-медиа ресурса
ДЛЯ ЛЮДЕЙ