Tokom poslednjih nekoliko decenija, sistemi za preporuke su postali istaknuti pojavom platformi kao što su YouTube, Amazon i Netflix.

Ovi algoritmi igraju ključnu ulogu u predlaganju relevantnog sadržaja za onlajn korisnike – od preporuka proizvoda za e-trgovinu do personalizovanih onlajn oglasa.

U ovom vodiču ćemo:

• Definisati sisteme preporuka i objasniti kako oni funkcionišu,
• Navesti i pažljivo ispitati sve vrste sistema preporuka,
• Uzeti u obzir sve potencijalne izazove sistema preporuka,
• Pomoći da izaberete pravi sistem preporuka i
• Istražiti buduće trendove u sistemima preporuka.

Počnimo!

Šta su sistemi preporuka?

Hajde da najpre definišemo sisteme preporuka.

Sistemi preporuka su sofisticirani algoritmi projektovani da korisnicima pruže sugestije relevantne za proizvod.

Sistemi za preporuke igraju glavnu ulogu u poboljšanju korisničkog iskustva na različitim onlajn platformama, uključujući veb-sajtove za e-trgovinu, usluge striminga i društvene medije.

U suštini, sistemi preporuka imaju za cilj da analiziraju korisničke podatke i ponašanje kako bi dali prilagođene preporuke.

Rade na sledeći način:

• Prikupljanje podataka: Sistemi preporuka počinju prikupljanjem podataka o interakcijama, preferencijama i ponašanju korisnika. Ovi podaci mogu uključivati prethodne kupovine, istoriju pregledanja, ocene i društvene veze.
• Obrada podataka: Kada se prikupe, oni obrađuju podatke kako bi izvukli smislene obrasce i uvide. Ovo uključuje tehnike kao što su čišćenje podataka, transformacija i inženjering karakteristika.
• Izbor algoritma: U zavisnosti od specifične platforme i njenih podataka, za generisanje preporuka se primenjuje određeni algoritam za preporuke. Uobičajeni tipovi uključuju kolaborativno filtriranje, filtriranje zasnovano na sadržaju i hibridne metode.
• Profilisanje korisnika: Koristeći istorijske podatke, sistemi za preporuke kreiraju korisničke profile. Oni predstavljaju njihove preferencije, interesovanja i ponašanje, omogućavajući sistemu da razume individualne ukuse.
• Profilisanje artikala: Slično tome, artikli ili sadržaj dostupni na platformi se takođe profilišu na osnovu njihovih karakteristika. Razmislite o atributima kao što su žanrovi, ključne reči ili karakteristike proizvoda.
• Generisanje preporuka: Sledeći korak uključuje algoritme koji odgovaraju profilima korisnika sa profilima artikala. Na primer, kolaborativno filtriranje identifikuje korisnike sa sličnim preferencijama i preporučuje artikle koje se dopadaju drugima sa sličnim profilima. Filtriranje zasnovano na sadržaju preporučuje artikle na osnovu atributa artikala sa kojima su korisnici ranije komunicirali.
• Rangiranje i prezentacija: Na kraju, preporučeni artikli se rangiraju na osnovu njihove relevantnosti za korisnika. Najbolje rangirane artikle se zatim predstavljaju korisniku kroz interfejse kao što su liste preporuka, personalizovane e-poruke ili iskačući predlozi.

Sada kada smo naučili kako funkcionišu sistemi preporuka, hajde da istražimo osnovne tipove preporuka – nepersonalizovane i personalizovane.

Nepersonalizovani sistemi preporuka

Nepersonalizovani sistemi preporuka daju preporuke korisnicima bez uzimanja u obzir njihovih individualnih preferencija ili ponašanja.

Ovi sistemi daju preporuke na osnovu karakteristika samih artikala ili sadržaja umesto da se oslanjaju na podatke specifične za korisnika.

Popularna nepersonalizovana preporuka je preporuka zasnovana na popularnosti koja korisnicima preporučuje najpopularnije artikle, na primer:

• 10 najboljih filmova,
• 5 najpopularnijih proizvoda,
• Nove proizvode.

Međutim, nepersonalizovani sistemi preporuka imaju svoja ograničenja, uključujući nemogućnost davanja visoko prilagođenih preporuka. Oni mogu biti dobra opcija za prvi korak u procesu personalizacije, ali ne biste trebali stati na tome.

Kada prikupite dovoljno podataka o dotičnom korisniku, personalizovane ponude i preporuke su logičan sledeći korak.

Ovo je posebno važno ako ne želite da odbijete svog potencijalnog kupca ne prepoznajući šta im se dopada i šta sledeće preporučiti. Ili, još gore, preporučujete proizvod koji je već kupio.

Sve ovo se može dobro rešiti pomoću odgovarajućeg personalizovanog sistema preporuka.

Personalizovani sistemi preporuka

Personalizovani sistemi preporuka su dizajnirani da pruže prilagođene preporuke pojedinačnim korisnicima na osnovu njihovog prethodnog ponašanja, preferencija i demografskih informacija.

Na osnovu podataka korisnika kao što su kupovine ili ocene, personalizovani sistemi preporuka pokušavaju da razumeju i predvide za koje artikle ili sadržaje će se određeni korisnik verovatno interesovati. Na taj način će svaki korisnik dobiti prilagođene preporuke.

U ovom trenutku možete se zapitati – šta je dobra preporuka?

Pa, dobra preporuka:

• Je personalizovana (relevantna za tog korisnika),
• Je raznovrsna (uključuje različita interesovanja korisnika),
• Ne preporučuje iste artikle korisnicima po drugi put, i
• Predlaže dostupne proizvode u pravo vreme.

Postoji nekoliko tipova personalizovanih sistema preporuka, uključujući filtriranje zasnovano na sadržaju, kolaborativno filtriranje i hibridne preporuke.

Hajde da ih detaljnije istražimo.

Tipovi personalizovanih sistema preporuka

Personalizovani sistemi preporuka mogu se kategorisati u nekoliko tipova, svaki sa sopstvenim metodama i tehnikama za pružanje prilagođenih preporuka.

One uključuju sledeće:

• Filtriranje zasnovano na sadržaju,
• Kolaborativno filtriranje, i
• Hibridni sistemi preporuka.

Filtriranje zasnovano na sadržaju

Sistemi za preporuke zasnovani na sadržaju koriste artikle ili korisničke metapodatke za kreiranje specifičnih preporuka. Kako bismo to uradili, gledamo istoriju kupovina korisnika.

Na primer, ako je korisnik već pročitao knjigu jednog autora ili proizvod određenog brenda, pretpostavljate da preferira tog autora ili taj brend. Takođe, postoji verovatnoća da će u budućnosti kupiti sličan proizvod.

Pretpostavimo da Dženi voli knjige naučne fantastike, a njen omiljeni pisac je Volter Džon Vilijams. Ako pročita knjigu Aristoi, onda će njena preporučena knjiga biti Anđeoska stanica, takođe naučnofantastična knjiga koju je napisao Volter Džon Vilijams.

Ovako izgleda filtriranje zasnovano na sadržaju u stvarnom životu.

Prednosti pristupa zasnovanog na sadržaju

Pristup zasnovan na sadržaju je jedna od uobičajenih tehnika koje se koriste u personalizovanim sistemima preporuka. On ima svoje prednosti i nedostatke, koje je važno uzeti u obzir kada se odlučujete za primenu ovog pristupa.

Hajde da prvo pogledamo neke od njegovih najočiglednijih prednosti:

• Manje problema sa hladnim startom: Preporuke zasnovane na sadržaju mogu efikasno da reše problem „hladnog starta“, omogućavajući novim korisnicima ili artiklima sa ograničenom istorijom interakcije da i dalje dobijaju relevantne preporuke.
• Transparentnost: Filtriranje zasnovano na sadržaju omogućava korisnicima da shvate zašto se daje preporuka jer je zasnovano na sadržaju i atributima artikala sa kojima su prethodno stupili u interakciju.
• Raznovrsnost: Uzimajući u obzir različite atribute, sistemi zasnovani na sadržaju mogu dati različite preporuke. Na primer, u sistemu preporuka filmova, preporuke mogu biti zasnovane na žanru, reditelju i glumcima
• Smanjena zabrinutost za privatnost podataka: Pošto sistemi zasnovani na sadržaju prvenstveno koriste atribute artikla, možda neće zahtevati toliko korisničkih podataka, što može ublažiti brige o privatnosti povezane sa prikupljanjem i čuvanjem korisničkih podataka.

Nedostaci pristupa zasnovanog na sadržaju

S druge strane, pristup zasnovan na sadržaju može imati i nekoliko nedostataka. To može uključivati:

• „Mehur filtera“: Filtriranje sadržaja može da preporuči samo sadržaj sličan prethodnim preferencijama korisnika. Ukoliko korisnik pročita knjigu o političkoj ideologiji i preporuče mu se knjige vezane za tu ideologiju, biće u „mehuru svojih prethodnih interesovanja“.
• Ograničena slučajnost: Sistemi zasnovani na sadržaju mogu imati ograničenu mogućnost da preporučuju artikle koje su izvan poznatih preferencija korisnika.
  • U prvom slučaju, 20% artikala privlači pažnju 70-80% korisnika, a 70-80% artikala privlači pažnju 20% korisnika. Cilj sistema preporuka je da predstavi druge proizvode koji na prvi pogled nisu dostupni korisnicima.
  • U drugom slučaju, filtriranje zasnovano na sadržaju preporučuje proizvode koji odgovaraju sadržaju, ali su veoma nepopularni (tj. ljudi ne kupuju te proizvode iz nekog razloga, na primer, knjiga je loša iako se tematski uklapa).
• Prekomerna specijalizacija: Ako se sistem zasnovan na sadržaju previše oslanja na prethodne interakcije korisnika, može preporučiti artikle koji su previše slični onome što je kupac već video ili sa čime je stupio u interakciju, čime se potencijalno propuštaju prilike za diverzifikaciju.

Kolaborativno filtriranje

Kolaborativno filtriranje je popularna tehnika koja se koristi za pružanje personalizovanih preporuka korisnicima na osnovu ponašanja i preferencija sličnih korisnika.

Osnovna ideja koja stoji iza kolaborativnog filtriranja je da će korisnici koji su imali interakciju sa artiklima na sličan način ili su imali slične preferencije u prošlosti verovatno imati slične preferencije i u budućnosti.

Kolaborativno filtriranje se oslanja na kolektivnu mudrost zajednice korisnika za generisanje preporuka.

Postoje dva glavna tipa kolaborativnog filtriranja: zasnovano na memoriji i zasnovano na modelu.

Sistemi preporuka zasnovani na memoriji

Sistemi preporuka zasnovani na memoriji se oslanjaju na direktnu sličnost između korisnika ili artikala da bi dali preporuke.

Obično ovi sistemi koriste neobrađene, istorijske podatke o interakcijama korisnika, kao što su ocene korisničkih artikala ili istorije kupovine, radi identifikovanja sličnosti između korisnika ili artikala i generisanja personalizovanih preporuka.

Najveći nedostatak sistema preporuka zasnovanih na memoriji je to što zahtevaju mnogo podataka za skladištenje i poređenje svakog artikla/korisnika sa svakim artiklom/korisnikom je izuzetno zahtevno za računare.

Sistemi preporuka zasnovani na memoriji mogu se kategorisati u dva glavna tipa zajedničkog filtriranja –  zasnovano na korisniku i na artiklima.

Sistemi zasnovani na korisniku

Sa pristupom zasnovanim na korisniku, preporuke ciljnom korisniku se daju identifikacijom drugih korisnika koji su pokazali slično ponašanje ili preferencije. Ovo se prevodi u pronalaženje korisnika koji su najsličniji targetiranom korisniku na osnovu njegovih istorijskih interakcija sa artiklima. Ovo može biti preporuka tipa „korisnicima koji su slični vama takođe se svidelo…“.

Ali ako kažemo da su korisnici slični, šta to znači?

Recimo da i Dženi i Tom vole knjige naučne fantastike. To znači da će, kada se pojavi nova knjiga naučne fantastike i Dženi kupi tu knjigu, ista knjiga biti preporučena Tomu, pošto i on voli naučnofantastične knjige.

Na osnovu artikla

Kod kolaborativnog filtriranja zasnovanog na artiklima, preporuke se daju identifikovanjem artikala koji su slični onima sa kojima je targetirani već ostvario interakcije.

Ideja je pronaći artikle koje dele slične interakcije korisnika i preporučiti te artikle ciljnom korisniku. Ovo može uključivati preporuke tipa „korisnici kojima se svideo ovaj artikal se svidelo i…“.

Da bismo ilustrovali primerom, pretpostavimo da su Džon, Robert i Dženi visoko ocenili naučnofantastične knjige „Farenhajt 451“ i „Vremeplov“, dajući im 5 zvezdica. Dakle, kada Tom kupi Farenhajt 451, sistem mu automatski preporučuje Vremeplov jer ga je identifikovao kao sličan na osnovu ocena drugih korisnika.

Kako izračunati sličnosti korisnik-korisnik i artikal-artikal?

Za razliku od pristupa zasnovanog na sadržaju gde se koriste metapodaci o korisnicima ili artiklima, u pristupu zasnovanom na kolaborativnom filtriranju memorije gledamo na ponašanje korisnika, npr. da li je korisnik lajkovao ili ocenio artikal ili da li je artikal lajkovao ili ocenio određeni korisnik.

Na primer, ideja je da se Robertu preporuči nova knjiga naučne fantastike. Pogledajmo korake u ovom procesu:

• Kreirati matricu korisnik-artikal-ocena.
• Napraviti matricu sličnosti korisnik-korisnik: Izračunava se kosinusna sličnost (alternative: prilagođena kosinusna sličnost, Pirsonova sličnost, korelacija Spearmanovog ranga) između svaka dva korisnika. Tako dobijamo matricu korisnik-korisnik. Ova matrica je manja od početne matrice za ocenjivanje korisničkih artikala.

1. Potražiti slične korisnike: U matrici korisnik-korisnik posmatramo korisnike koji su najsličniji Robertu.
2. Generisanje kandidata: Kada pronađemo Robertu najsličnije korisnike, pogledamo sve knjige koje su ti korisnici pročitali i ocene koje su im dali.
3. Bodovanje kandidata: U zavisnosti od ocena drugih korisnika, knjige se rangiraju od onih koje su im se najviše dopale, do onih koje im se najmanje dopale. Rezultati se normalizuju na skali od 0 do 1.
4. Filtriranje kandidata: Proveravamo da li je Robert već kupio neku od ovih knjiga i eliminišemo one koje je već pročitao.
5. Proračun sličnosti artikal-artikal se vrši na identičan način i ima sve iste korake kao i sličnost između korisnika i korisnika.

Poređenje pristupa zasnovanog na korisnicima i pristupa zasnovanog na artiklima

Sličnost između artikala je stabilnija od sličnosti između korisnika.

Zašto?

Pa, knjiga iz matematike će uvek biti knjiga iz matematike, ali korisnik može lako da se predomisli – nešto što mu se dopalo prošle nedelje mu možda neće biti zanimljivo sledeće nedelje.

Pored toga,  proizvoda ima manje nego korisnika. To znači da će matrica artikal-artikal sa rezultatima sličnosti biti manja od matrice korisnik-korisnik.

Konačno, pristup zasnovan na artiklima je bolji ako novi korisnik poseti sajt, dok je pristup zasnovan na korisniku problematičan u tom slučaju jer nemate dovoljno podataka ili uopšte nemate podataka (problem hladnog starta).

Sistemi preporuka zasnovani na modelu

Sistemi preporuka zasnovani na modelu koriste modele mašinskog učenja za generisanje preporuka.

Ovi sistemi uče obrasce, korelacije i odnose iz istorijskih podataka o interakciji između korisnika i artikla kako bi formirali predviđanja o preferencijama korisnika za artikle sa kojima još nisu ostvarili interakciju.

Postoje različite vrste preporuka zasnovanih na modelu, kao što su faktorizacija matrice, dekompozicija singularne vrednosti (SVD) ili neuronske mreže.

Međutim, faktorizacija matrice ostaje najpopularnija, pa hajde da je dodatno istražimo.

Faktorizacija matrice

Faktorizacija matrice je matematička tehnika koja se koristi za dekomponovanje velike matrice na proizvod više manjih matrica.

U kontekstu sistema preporuka, faktorizacija matrice se obično koristi za otkrivanje latentnih obrazaca ili karakteristika u podacima o interakciji između korisnika i artikla, omogućavajući personalizovane preporuke. Latentne informacije se mogu izvesti analizom ponašanja korisnika.

Ako postoji povratna informacija od korisnika, na primer – pogledao je određeni film ili pročitao određenu knjigu i dao ocenu, to se može predstaviti u obliku matrice. U ovom slučaju,

• Redovi predstavljaju korisnike,
• Kolone predstavljaju artikle, i
• Vrednosti u matrici predstavljaju interakcije korisnika i artikla (npr. ocene, istorija kupovine, klikovi ili binarne preferencije).

Pošto je skoro nemoguće da korisnik oceni svaki artikal, ova matrica će imati mnogo nepopunjenih vrednosti. Ovo se zove oskudnost.

Proces faktorizacije matrice

Faktorizacija matrice ima za cilj da aproksimira ovu interakcionu matricu tako što je faktorizuje u dve ili više matrica niže dimenzija:

• Matrica latentnih faktora korisnika (U), koja sadrži informacije o korisnicima i njihovim odnosima sa latentnim faktorima.
• Matrica latentnih faktora (V), koja sadrži informacije o artiklima i njihovim odnosima sa latentnim faktorima.

Matrica ocenjivanja je proizvod dve manje matrice – matrice artikal-funkcija i matrice korisnik-funkcija. Što je veći skor u matrici, to je bolje podudaranje između artikla i korisnika.

Proces matrične faktorizacije uključuje sledeće korake:

• Inicijalizacija nasumičnog korisnika i matrice artikla,
• Matrica ocena se dobija množenjem korisnika i matrice transponovanih artikala,
• Cilj faktorizacije matrice je minimiziranje funkcije gubitka (razlika u ocenama predviđene i stvarne matrice mora biti minimalna). Svaka ocena se može opisati kao tačkasti proizvod reda u korisničkoj matrici i kolone u matrici artikala.

• Gde je K skup (u, i) parova, r(u, i) je ocena za stavku i od strane korisnika u, a l je pojam regularizacije (koristi se da se izbegne prekomerno prilagođavanje).
• Kako bismo minimizirali funkciju gubitka, možemo primeniti stohastički gradijentni pad (SGD) ili naizmenične najmanje kvadrate (ALS). Obe metode se mogu koristiti za postepeno ažuriranje modela kako prispeva novi rejting. SGD je brži i precizniji od ALS-a.

Prednosti kolaborativnog filtriranja

Gledajući širu sliku, kolaborativno filtriranje dolazi sa nizom velikih prednosti:

• Efikasna personalizacija: Kolaborativno filtriranje je veoma efikasno u pružanju personalizovanih preporuka korisnicima. Ono uzima u obzir ponašanje i preferencije sličnih korisnika da bi predložilo artikle u kojima će određeni korisnik verovatno uživati.
• Nema potrebe za atributima artikala: Kolaborativno filtriranje funkcioniše isključivo na osnovu interakcija korisnika i artikala, što ga čini primenljivim na širok spektar scenarija preporuka gde karakteristike artikle mogu biti oskudne ili nedostupne. Ovo je posebno korisno na platformama bogatim sadržajem.
• Slučajna otkrića: Kolaborativno filtriranje može da upozna korisnike sa artiklima koje inače ne bi otkrili. Analizom ponašanja korisnika i identifikovanjem obrazaca širom korisničke zajednice, saradničko filtriranje može preporučiti artikle koje su u skladu sa ukusima korisnika, ali im možda neće biti odmah očigledne.

Nedostaci kolaborativnog filtriranja

Važno je napomenuti da iako kolaborativno filtriranje nudi ove i druge prednosti, ono takođe ima svoja ograničenja, uključujući:

• Problem „hladnog starta“:
  • Hladni start korisnika se dešava kada se novi korisnik pridruži sistemu bez istorije prethodnih interakcija. Kolaborativno filtriranje se oslanja na prethodne interakcije da bi dalo preporuke, tako da ne može da pruži personalizovane predloge novim korisnicima koji počinju bez podataka.
  • Hladni start artikla se dešava kada se doda novi artikal i za njega nema podataka o interakciji korisnika. Kolaborativno filtriranje ima poteškoća sa preporukom novih artikala jer mu nedostaju informacije o tome kako su korisnici ranije koristili ove artikle.
• Osetljivost na oskudne podatke: Kolaborativno filtriranje zavisi od posedovanja dovoljne količine podataka o interakciji između korisnika i artikla za pružanje smislenih preporuka. U situacijama kada su podaci oskudni i korisnici komuniciraju samo sa malim brojem artikala, kolaborativno filtriranje može imati problema da pronađe korisne obrasce ili sličnosti između korisnika i artikala.
• Potencijal za pristrasnost povezan sa popularnošću: Kolaborativno filtriranje ima tendenciju da češće preporučuje popularne artikle. To može dovesti do fenomena „bogati postaju bogatiji“, gde već popularni artikli dobijaju još veću pažnju, dok se niše ili manje poznati artikli zanemaruju.

Da bi odgovorili na ova i druga ograničenja, sistemi preporuka često koriste hibridne pristupe koji kombinuju kolaborativno filtriranje sa metodama zasnovanim na sadržaju ili drugim tehnikama kako bi se poboljšao kvalitet preporuka na dugi rok.

Hibridni sistemi preporuka

Hibridni sistemi preporuka kombinuju više tehnika ili pristupa da bi pružili preciznije, raznovrsnije i efikasnije personalizovane preporuke.

Oni su posebno vredni u scenarijima preporuka u stvarnom svetu jer mogu da pruže robusnije, tačnije i prilagodljivije preporuke.

Izbor koji će se hibridni pristup koristiti zavisi od specifičnih zahteva i ograničenja sistema preporuka i prirode dostupnih podataka.

Prednosti hibridnih sistema preporuka

Neke od najčešćih prednosti hibridnih sistema preporuka uključuju:

• Poboljšan kvalitet preporuka: Hibridni sistemi preporuka koriste više tehnika preporuka, kombinujući svoje snage da bi pružili preciznije i raznovrsnije preporuke. Ovo često rezultira boljim kvalitetom preporuka u poređenju sa pojedinačnim metodama, što koristi korisnicima nudeći relevantnije predloge.
• Povećana robusnost i fleksibilnost: Hibridni modeli su često robusniji u rukovanju različitim scenarijima preporuka. Mogu se prilagoditi različitim karakteristikama podataka, ponašanju korisnika i izazovima preporuka. Ova fleksibilnost je dragocena u sistemima preporuka u stvarnom svetu.
• Rešavanje ograničenja uobičajenih preporuka: Hibridni sistemi preporuka mogu ublažiti ograničenja tehnika individualnih preporuka. Na primer, oni mogu da prevaziđu problem „hladnog starta“ za nove korisnike i artikle tako što će uključiti preporuke zasnovane na sadržaju, dajući slučajne predloge i smanjujući pristrasnost popularnosti.

Nedostaci hibridnih sistema preporuka

Kao i svi drugi sistemi preporuka, hibridni sistemi preporuka takođe imaju svoje nedostatke. Neki uključuju:

• Povećanu složenost i razvojne napore: Implementacija i održavanje hibridnih sistema preporuka može biti složenija i zahtevati više resursa. To zahteva stručnost u više tehnika preporuka i pažljivu integraciju ovih metoda.
• Podaci i računski zahtevi: Hibridni modeli često zahtevaju više podataka i računskih resursa jer koriste više algoritama za preporuke. Ovo može biti zahtevno, posebno u sistemima velikih razmera sa masivnim interakcijama korisnik-artikal i raznovrsnim katalogom artikala.
• Podešavanje i osetljivost parametara: Hibridni sistemi preporuka mogu uključivati veći broj parametara i hiperparametara koje treba fino podesiti. Ipak, obezbeđivanje optimalnih podešavanja parametara za svaku komponentu preporuke može biti izazovno i dugotrajno.

Iako hibridni sistemi preporuka nude značajne prednosti u pogledu kvaliteta preporuka i svestranosti, trebalo bi pažljivo da razmotrite kompromise i zahteve za resursima kada odlučujete koji sistem da primenite.

Ovo je najbolji način da se osigura da prednosti hibridizacije nadmašuju dodatnu složenost i troškove.

Metrike procena za sisteme preporuka

Kako biste procenili učinak i efikasnost sistema preporuka, morate uzeti u obzir određene metrike procene.

One vam mogu pomoći da izmerite koliko dobro funkcioniše algoritam ili model preporuka i daju uvid u njegove prednosti i slabosti.

Postoji nekoliko kategorija metrike evaluacije, u zavisnosti od specifičnog aspekta preporuka koje se procenjuju.

Neke uobičajene metrike procene uključuju:

• Pokazatelji tačnosti procenjuju tačnost preporuka sistema u smislu toga koliko se one podudaraju sa stvarnim preferencijama ili ponašanjem korisnika. Ovde imamo srednju apsolutnu grešku (MAE), srednju kvadratnu grešku (RMSE) ili srednju kvadratnu logaritamsku grešku (MSLE).
• Pokazatelji rangiranja procenjuju koliko dobro sistem preporuke rangira artikle za korisnika, posebno u scenarijima sa najvećim brojem preporuka. Razmislite o stopi pogodaka, prosečnoj recipročnoj stopi pogodaka (ARHR), kumulativnoj stopi pogodaka ili stopi pogodaka po oceni.
• Pokazatelji različitosti procenjuju raznolikost preporučenih artikala kako bi se osiguralo da preporuke nisu previše fokusirane na uski skup artikala. To uključuje raznolikost unutar liste ili raznolikost među listama.
• Metrika novina procenjuje koliko dobro sistem preporuka upoznaje korisnike sa novim ili nepoznatim artiklima. Pokrivenost kataloga i popularnost artikala pripadaju ovoj kategoriji.
• Metrike slučajnosti procenjuju sposobnost sistema da preporuči neočekivane, ali zanimljive artikle korisnicima – u ovom slučaju se posmatra iznenađenje ili raznolikost.

Takođe možete izabrati da pogledate neke poslovne pokazatelje kao što su stopa konverzije, stopa učestalosti klikova (CTR) ili uticaj na prihode. Ali, na kraju krajeva, najbolji način da uradite onlajn procenu vašeg sistema preporuka je A/B testiranje.

Koju metriku koristiti?

Koja metrika će se koristiti zavisi od poslovnog problema koji se rešava.

Ako smatramo da smo dali najbolju moguću preporuku i da je metrika odlična, a u praksi loša, onda naš sistem preporuka nije dobar. Na primer, Netfliksov sistem preporuka nikada nije korišćen u praksi jer nije zadovoljio potrebe kupaca.

Najvažnije je da korisnik stekne poverenje u sistem preporuka. Ako im preporučimo 10 najboljih proizvoda,gde su samo 2 ili 3 relevantni za njih, oni će to smatrati lošom preporukom.

Iz tog razloga, ideja nije uvek preporučiti prvih 10 artikala, već preporučiti artikle iznad određenog praga.

Izazovi sistema preporuka iz stvarnog života

Iako su prilično korisni i efikasni u pružanju personalizovanih preporuka, sistemi za preporuke nailaze na nekoliko izazova u stvarnom svetu.

Jedan značajan izazov je „problem hladnog starta“, koji se javlja kada se novi korisnik pridruži sistemu, a dostupni su ograničeni podaci o njegovim preferencijama.

U takvim slučajevima, sistemi za preporuke mogu na početku da preporuče ili 10 najprodavanijih proizvoda ili prvih 10 proizvoda na promociji kao polaznu tačku. Alternativno, sprovođenje intervjua sa korisnicima može pomoći u prikupljanju informacija o preferencijama korisnika.

Drugi aspekt problema hladnog starta odnosi se na uvođenje novih proizvoda korisnicima. Ovo se može postići korišćenjem atributa zasnovanih na sadržaju i periodičnim dodavanjem novih proizvoda preporukama korisnika uz njihovu aktivnu promociju.

Pored toga, odliv predstavlja još jedan izazov, pošto se preferencije i ponašanja korisnika vremenom razvijaju. Kako bi ovo rešili, sistemi za preporuke treba da uključe određeni stepen nasumične selekcije da bi periodično osvežavali gornju N listu preporučenih artikala.

Takođe je ključno obezbediti da ss sistemi preporuka projektuju imajući u vidu osetljivost, izbegavajući sadržaj koji može da vređa ili diskriminiše korisnike.

Ovo uključuje izbegavanje preporuka za artikle koje sadrže vulgaran jezik, verski ili politički sadržaj ili upućivanje na drogu.

Pažljivim rešavanjem ovih izazova, sistemi za preporuke mogu da poboljšaju zadovoljstvo korisnika i daju smislene preporuke uz pridržavanje etičkih obzira.

Kako odabrati pravi sistem preporuka?

Pre nego što odlučite o vrsti sistema preporuka za implementaciju, trebalo bi da izvršite sveobuhvatnu analizu i razmotrite nekoliko ključnih faktora.

Prvo i najvažnije, trebalo bi da definišete metriku koju pokušavate da maksimizirate pomoću sistema preporuka. Počnite tako što ćete identifikovati svoje primarne ciljeve i razumeti šta predstavlja vrednu preporuku, kao i kako meriti njen uspeh. Ovaj početni korak pruža jasnu osnovu za procenu opcija preporuka.

Zatim, trebalo bi da uzmete u obzir tehnička ograničenja i zahteve za resursima koji su povezani sa svakim sistemom preporuka. Neki sistemi mogu zahtevati značajnu računarsku snagu i skladištenje podataka, dok drugi mogu biti jednostavniji. Ovo razmatranje direktno utiče na izvodljivost i skalabilnost izabranog sistema preporuka.

Još jedan kritičan aspekt koji treba uzeti u obzir je način dostavljanja preporuka. Sistemi preporuka mogu:

• Generisati predloge unapred za svakog korisnika, ali sa značajnim računarskim resursima i skladištem, ili
• Raditi u stvarnom vremenu, dinamički reagujući na radnje korisnika tokom njihove interakcije sa platformom.

Na primer, sistemi delovanja u stvarnom vremenu mogu preporučiti sledeći artikal koji treba posetiti na osnovu trenutne sesije korisnika i istorije pregledanja. Ovaj izbor utiče na korisničko iskustvo i odziv sistema.

Odlučivanje o tome koji sistem preporuka izabrati treba da bude dobro osmišljena odluka. Imajući u vidu ova razmatranja, možete donositi informisane izbore koji su u skladu sa vašim ciljevima i resursima, ali i poboljšati zadovoljstvo korisnika i performanse sistema.

Budući trendovi u vezi sa sistemima preporuka

Budući trendovi u sistemima preporuka oblikovani su novim tehnologijama, korisničkim preferencijama i evolucijom e-trgovine, strimovanja sadržaja i personalizovanih usluga.

Evo 3 ključna buduća trenda u sistemima preporuka.

#1 Napredak u AI i mašinskom učenju za poboljšane preporuke

Budućnost sistema za preporuke uključuje kontinuirani napredak u tehnikama veštačke inteligencije (AI) i mašinskog učenja (ML).

Ovi sistemi će postati sofisticiraniji u razumevanju korisničkih preferencija, ponašanja i kontekstualnih informacija. Modeli dubokog učenja, pojačano učenje i obrada prirodnog jezika će se koristiti za pružanje preciznijih i personalizovanijih preporuka.

Zahvaljujući ovim napretcima, sistemi za preporuke će moći da razumeju složene korisničke obrasce i na kraju obezbede poboljšano angažovanje i zadovoljstvo korisnika.

Za nekoliko godina mogli bismo da dobijamo sjajne preporuke od četbotova i da oni postanu naši lični asistenti za onlajn kupovinu!

#2 Personalizacija u doba propisa o privatnosti i kontrole korisnika

Sa sve većim fokusom na propise o privatnosti korisnika i zaštiti podataka (kao što je Uredba GDPR i CCPA), budući sistemi preporuka će morati da daju prioritet privatnosti korisnika i kontroli.

Personalizacija će verovatno evoluirati da bude transparentnija i vođena korisnicima. Korisnici će imati veću kontrolu nad svojim podacima i preferencijama, a sistemi preporuka će morati da rade u okviru strogih ograničenja privatnosti.

Tehnike poput federativnog učenja, diferencijalne privatnosti i upravljanje podacima usmereno na korisnika postaće sastavni deo napora da se obezbedi skladnu koegzistenciju personalizacije i privatnosti.

#3 Integracija sistema prpeoruka u različite industije mimo e-trgovine

Sistemi preporuka više neće biti ograničeni isključivo na platforme e-trgovine. Oni će naći primenu u širokom spektru industrija, uključujući zdravstvenu zaštitu, zabavu, obrazovanje i još mnogo toga.

Kako oni mogu biti od pomoći u drugim industrijama?

• U zdravstvu, sistemi preporuke mogu pomoći u dijagnostifikovanju stanja pacijenata i preporučivanju adekvatnog lečenja.
• U obrazovanju, možete ih koristiti da prilagodite putanje učenja za različite učenike.
• U zabavi, sistemi preporuka mogu poboljšati otkrivanje sadržaja na platformama za striming.

Raznovrsnost sistema preporuka će verovatno olakšati njihovo usvajanje u različitim domenima i pretvoriti ih u osnovni deo procesa donošenja odluka u mnogim industrijama.

Ovi trendovi odražavaju tekuću evoluciju sistema preporuka. Sviđalo vam se to ili ne, oni su tu da ispune zahteve korisnika i daju personalizovanije i relevantnije preporuke.

Završne misli

Kao što ste do sada verovatno razumeli, sistemi preporuka igraju ključnu ulogu u poboljšanju korisničkog iskustva i pospešivanju poslovnog uspeha.

Ovi sistemi ne samo da pružaju korisnicima personalizovana iskustva, već vam takođe olakšavaju izgradnju snažnog brenda, podstiču lojalnost i povećavaju angažovanje i zadovoljstvo.

Iz čisto poslovne perspektive, sistemi preporuka imaju potencijal da značajno povećaju prihod i profitabilnost. Oni to mogu postići na različite načine – ali jedno je jasno. Nudeći korisnicima upravo ono što im treba ili što žele, možete stvoriti konkurentsku prednost i ostati relevantan u digitalnom okruženju koje se brzo razvija.

Istina je da ne možemo dovoljno naglasiti prednosti implementacije sistema preporuka. Ne čekajte više da počnete da radite na jedinstvenoj strategiji koja funkcioniše za vaše poslovanje. Ako imate bilo kakva pitanja o ovoj temi ili vam je potrebna pomoć da iste bolje razumeli kako se preporuke uklapaju u vaš dugoročni poslovni plan, kontaktirajte nas na ai@thingsolver.com kako bismo to detaljnije razmotrili!