Что такое рекомендательная система Гугл

Google запускает новые функции для своей поисковой системы. Хотя Google — гигантская технологическая компания, поисковая система — одно из важнейших направлений деятельности компании. В этом смысле Google продолжает улучшать и предлагать новые функции для результатов поиска. Новая функция предложений Google — последнее из этих улучшений.

Новая функция автозаполнения для результатов поиска Google
Технологический гигант начал экспериментировать с новой функцией автозаполнения для результатов поиска. Соответственно, Google решил улучшить систему подсказок для автозаполнения поиска. Соответственно, при поиске в Google вы сможете детализировать свой поиск с помощью всплывающих подсказок.

Когда вы сейчас выполняете поиск в Google, варианты поиска, которые вы будете выполнять, перечислены друг под другом. С этой новой системой рекомендаций Google будет использовать всплывающие подсказки для параметров поиска.

Эти маленькие пузыри с предложениями предлагают более подробный поиск по теме. Таким образом, он нацелен на то, чтобы пользователь достиг более точных результатов при поиске.

Рекомендательная система на коленке, Михаил Трофимов

Google постоянно увеличивает поддержку искусственного интеллекта для поиска. Ожидается, что с этой новой функцией предложения Google искусственный интеллект будет использоваться гораздо эффективнее.

С одной стороны, технологический гигант выпустил стабильную версию Android 12, с другой — он собирается пропустить новую веху с серией Pixel 6. Как известно, серия Pixel 6 впервые появится с собственным процессором Google, Tensor. Хотя процессор находится на флагманском уровне, Google, похоже, больше ориентирован на эффективность.

Модели Pixel 6 и Pixel 6 Pro будут представлены 19 октября. Ожидается, что помимо этих двух новых моделей Google также преподнесет сюрприз в виде Pixel Fold. Тем не менее, прогнозируется возможность появления Pixel Fold позже. Более вероятно, что в этом году будут представлены Google Pixel Watch.

Не исключено, что при этом запуске мы встретим новую модель беспроводной гарнитуры Pixel Buds. Однако среди всех этих возможностей нет окончательной утечки, кроме серии Pixel 6. Хотя Android 12 уже выпущен, ожидается, что он появится в моделях Pixel с официальным запуском 19 октября. Бренды уже начали готовить свои флагманские телефоны для Android 12.

Источник: www.wisesoft.com.tr

Рекомендательные системы

Создание и успешная деятельность большинства гигантов современной IT-индустрии и интернет-торговли, начиная с Google, Facebook и Netflix, а заканчивая Amazon, Walmart и Alibaba, были бы попросту невозможны без использования рекомендательных систем. Именно возможность проанализировать и определить предпочтения пользователей лежит сегодня в основе большинства бизнесов. Поэтому имеет смысл подробнее остановиться на том, что собой представляют рекомендательные системы, как они работают, в чем состоят их основные плюсы и минусы.

Занятие 17. Рекомендательная система

Рекомендательные системы – что это и как работает?
Виды рекомендательных систем
Примеры рекомендательных систем и принципов их работы
Плюсы и минусы рекомендательных систем
Мифы о рекомендательных системах

Что почитать или посмотреть по теме?
Подведем итоги

Рекомендательные системы – что это и как работает?

Рекомендательной системой принято называть набор алгоритмов, сервисов или других программных продуктов, позволяющих определить предпочтения конкретного человека. Для этого используются различные данные – от личной информации о пользователе до сделанных им запросов в поисковых системах. Результатом становится выведение на экран именно тех предложений, которые окажутся интересными ему.

В чем состоит основная задача любой рекомендательной системы для бизнеса достаточно очевидно. Она заключается в увеличении объемов продаж – товаров, услуг, контента и т.д. Эффективность современных рекомендательных систем не вызывает сомнений. Те, кто умеет их создавать и использовать, возглавляют рейтинги крупнейших мировых корпораций и самых богатых людей планеты.

Сказанное подтверждается и статистическими данными. Так, по некоторым оценкам, больше трети выручки онлайн-магазина Amazon приходится на рекомендованные товары.

Для онлайн-кинотеатра Netflix этот показатель еще выше и достигает 75%.

Алгоритмы

Принцип работы любой рекомендательной системы предельно прост. Она базируется на алгоритмах искусственного интеллекта, главной целью которых становится сбор и анализ информации о потенциальном клиенте. Источником данных становится все:

• поисковые запросы;
• время просмотра ролика на YouTube;
• личные сведения из профиля в социальной сети;
• сделанные и несделанные покупки;
• многое другое.

До недавнего времени возможности рекомендательных систем были ограничены отсутствием компьютеров, способных обработать настолько серьезные объемы информации. Сегодня такой проблемы нет, что привело к повсеместному распространению подобных алгоритмов.

Виды рекомендательных систем

Выделяют четыре основных разновидности рассматриваемых систем выдачи рекомендаций. Каждая представлена собственным набором алгоритмов и особенностями принятия решений.

Фильтрация на основании контента

Самый простой и очевидный способ определения предпочтений и интересов пользователя. Если человек посмотрел комедию, будет вполне логичным предложить ему еще несколько фильмов аналогичного жанра. Прослушивание трека рэп-исполнителя наверняка означает, что программа порекомендует как еще несколько песен от него, так и произведения других авторов этого направления музыки.

Плюс такого подхода к фильтрации очевиден – он требует минимума ресурсов и предельно прост. Но при этом имеет и явный минус. Например, если клиент совершил дорогую покупку – автомобиль, не имеет смысла предлагать ему еще 10 машин. Вероятность еще одного такого приобретения крайне мала. В этом случае помогает второй вид рекомендательных систем.

Коллаборативная фильтрация

Коллаборацией называют совместную деятельность нескольких сторон. Отсюда следует, что коллаборативная фильтрация предусматривает выдачу рекомендаций в категориях, близких к приобретенному товару или услуге. Например, покупателю автомобиля из предыдущего абзаца имеет смысл предложить чехлы на сиденья или новую резину. Тем более – зимнюю, если дело идет к холодному времени года. Но и такой подход не лишен недостатков.

Поэтому целесообразно прибегнуть к третьему.

Фильтрация на основе знаний

Самый сложный способ выдачи рекомендаций. Он предусматривает максимальную детализацию запросов потенциального покупателя с целью сбора информации о его предпочтениях. Например, применительно к дому речь идет об этажности, площади, основном материале строительства и других подобных параметров.

Только после получения значений по каждому система выдает рекомендации, которые наверняка будут представлять интерес для покупателя. Высокая эффективность этого способа компенсируется сложностью разрабатываемых алгоритмов и необходимостью удерживать внимание пользователя в течение времени, которое требуется для указания запрашиваемых параметров.

Гибридные системы

Каждая из описанных выше рекомендательных систем имеет как ярко выраженные плюсы, так и не менее существенные минусы. Именно поэтому наибольшее распространение получили гибридные наборы алгоритмов, представляющие собой комбинацию из разных способов выдачи рекомендаций.

При таком подходе к решению задачи особенно актуальным становится баланс между ними.

Логичным следствием этого выступает секретность алгоритмов, используемых рекомендательными системами самых крупных и известных корпораций.

Примеры рекомендательных систем и принципов их работы

Для большей наглядности целесообразно рассмотреть несколько примеров из реальной жизни. При этом необходимо учитывать сказанное выше насчет засекречивания некоторых данных, характерного для большей части самых успешных рекомендательных систем.

Netflix

Одна из самых крупных IT-корпораций мира использует в работе специально созданную рекомендательную систему под названием Cinematch. Значительная часть ее алгоритмов скрыта, но некоторые принципы функционирования выделить все-таки можно. Главные из них заключается в следующем:

• указание нескольких любимых направлений контента – фильмов и сериалов – уже в процессе регистрации;
• активное предложение ставить по отношению к любому продукту лайки и дизлайки;
• сбор максимально возможной информации о каждом конкретном пользователе – от перечня и длительности просмотренного контента до предпочтительного для посещения кинотеатра времени суток;
• четкое описание любого нового продукта, позволяющее потенциальному клиенту получить о нем исчерпывающее представление;
• объединение посетителей кинотеатра в группы, из которых формируются еще более многочисленные сегменты – для любого из них разрабатываются общие рекомендации.

Результатом становится лента рекомендаций от Netflix, которая доступна любому пользователю. Она постоянно корректируется и видоизменяется с учетом вновь поступившей информации и клиенте и результатов ее многократного анализа.

Facebook

Корпорация частично раскрыла алгоритмы используемой рекомендательной системы в первой половине 2019 года. На ее основе была создана так называемая DLRM или рекомендательная модель глубокого обучения. Ее главными особенностями выступают такие:

• активное задействование разных алгоритмов фильтрации, результатом чего становится получение на выходе гибридной модели рекомендательной системы;
• ориентация на сбор информации о пользователе из всех доступных источников;
• применение незаурядных возможностей и функционала современных нейронных сетей, что позволяют сделать вычислительные мощности, которые имеются в распоряжении Facebook.

Функционирование социальной сети выглядит несколько более сложным и разносторонним, чем онлайн-кинотеатра.

Но обе корпорации – Facebook и Netflix – одинаково продуктивно и целенаправленно работают над постоянным совершенствованием своих рекомендательных систем. Что подтверждают успешные результаты их деятельности, в том числе – в части коммерческих показателей.

Плюсы и минусы рекомендательных систем

Первое и самое главное преимущество рекомендательных систем очевидно и заключается в увеличении трафика поисковых систем, онлайн-магазинов и различных интернет-сервисов. Результатом становится увеличение количества заказов или числа клиентов, а как следствие – объемов продаж и прибыли.

Но обычным пользователям рекомендательные системы также полезны. Дело в том, что при грамотном применении они делают интерфейс и само использование любых онлайн-продуктов намного более удобным и комфортным для посетителей. Как итог – усреднение аудитории и потеря индивидуальности каждым конкретным пользователем.

Оборотной стороной очевидных преимуществ становятся и неизбежные недостатки. Основной из них заключается в привыкании к подсказкам искусственного интеллекта и нежелании людей запускать собственный. Пользователи перестают изучать что-то новое, тем более – если предлагаемое системой их вполне устраивает.

Еще более актуальной является проблема навязывания мнения аудитории того или иного интернет-ресурса. Особенно острой она становится применительно к социальным сетям. Умная лента новостей формирует мировоззрение пользователей, причем далеко не только в вопросах развлечений или игр.

Намного более серьезные последствия может иметь такое влияние на политические взгляды аудитории.

Мифы о рекомендательных системах

В настоящее время особенно актуально рекомендательные системы используются крупными корпорациями. В этом нет ничего удивительного, так как разработка любого подобного программного продукта с элементами искусственного интеллекта требует серьезного финансирования. Осилить его способна далеко не каждая компания.

Помимо необходимости существенных капитальных вложений, активному внедрению рекомендательных систем мешают сформировавшиеся вокруг мифы. Поэтому имеет смысл рассмотреть основные из них более внимательно, а при возможности – развенчать, если они не соответствуют действительности.

Требуется обработка огромных массивов данных

Далеко не всегда задача является такой уж неподъемной. Особенно в том случае, если в качестве источника информации можно использовать уже имеющиеся и готовые к анализу базы данных.

Например, сведения, автоматические собираемые онлайн-кассой, присутствующей сегодня практически в любой торговой точке.

Их вполне достаточно для работы рекомендательной системы.

Искусственный интеллект еще не может дать нужный результат

Против этого мифа можно привести сразу два очень веских довода. Первый – это наличие давно и успешно применяемых методик оценки эффективности использования рекомендательных систем. Причем на рынке существуют как платные, так и бесплатные инструменты для этого.

Второй касается быстрого совершенствования алгоритмов самих рекомендательных систем. Что позволяет надеяться на еще больший КПД от их внедрения в самое ближайшее время.

Вложения в рекомендательные системы так велики, что не окупаются

Данное утверждение можно признать справедливым, но лишь отчасти. Действительно, особенно высокую эффективность системы выдачи рекомендаций показывают при использовании для крупных аудиторий.

Но и небольшому интернет-магазину они вполне способны принести заметную пользу. Тем более – в этом случае для разработки и внедрение системы требуется существенно меньше финансовых ресурсов. Практика показывает: грамотное использование даже самых простых алгоритмов выдачи рекомендаций пользователям позволяет резко увеличить объемы продаж.

В результате вполне реально полностью окупить необходимые на их разработку инвестиции в течение квартала или полугодия. После этого функционирование системы начинает приносить чистую прибыль.

Что почитать или посмотреть по теме?

1. Видео лекция К.В. Воронцова «Машинное обучение. Рекомендательные системы.
2. Канал на YouTube «Машинное обучение». Занятие 17. Рекомендательная система.
3. Видео ролик на YouTube «Рекомендательные системы: архитектура и применение».
4. Видео ролик на YouTube «Яндекс изнутри: рекомендательные системы Музыки и Дзена».
5. Г. Линден, Б. Смит и Дж. Йорк «Amazon.com рекомендации: совместная фильтрация по элементам» (2003).
6. Кутянин А.Р. «Рекомендательные системы: обзор основных постановок и результатов».

FAQ

Что такое рекомендательные системы?

Под рекомендательной системой понимается набор алгоритмов, программ или сервисов, предназначенный для выдачи в качестве рекомендаций интересных пользователям продуктов, товаров или услуг.

Каков принцип их действия?

Общий механизм работы рекомендательных систем достаточно прост: сначала собираются данные о пользователе, затем их анализирует специально разработанный алгоритм, после чего на основании полученных результатов клиенту выдается набор рекомендаций.

Для чего они предназначены?

Основная функция рекомендательных систем заключается в привлечении и удержании как можно более многочисленной аудитории и, как следствии, увеличении объемов продаж.

Какие виды рекомендательных систем существуют?

Обычно выделят четыре вида подобных программных продуктов, которые различаются по принципу фильтрации – на основе контента, при схеме коллаборации, на основе знаний и комбинированную, предусматривающую использование различных комбинаций трех первых.

В чем преимущества и недостатки рекомендательных систем?

Главный плюс для бизнеса – рост продаж товаров и услуг, что ведет к увеличению прибыли. Польза для посетителей выражается в более комфортных условиях использования сайта. Недостатки связаны с унификацией пользователей, потерей ими индивидуальности, а также возможности формировать и навязывать аудитории определенное мировоззрение.

Подведем итоги

1. Рекомендательная система – комплекс алгоритмов, который позволяет отобрать и рекомендовать товары и услуги, наиболее интересные пользователю.
2. Основная схема действия рекомендательных систем заключается в следующем: собираются и анализируются данные о клиенте, после чего на базе полученных результатов определяются продукты, способные его заинтересовать.
3. Особенно высокую эффективность рекомендательные системы показали при внедрении в крупные корпорации – ведущие IT-компании мира и самые массовые социальные сети.
4. Но при правильной разработке и внедрении алгоритм выдачи рекомендаций способен принести пользу и небольшому онлайн-магазину, причем вложения достаточно быстро окупаются.

Источник: www.sravni.ru

Что такое рекомендательная система гугл

Вы когда-нибудь задумывались, зачем люди пользуются интернетом? Возможно, для просмотра смешных картинок или видео, а может, для покупки бытовой техники? Некоторые пользуются интернетом для изучения чего-то нового. У каждого человека десятки причин, но все описываются одинаково: найти то, что нужно.

Еще несколько лет назад приходилось шерстить всю поисковую выдачу и любимые интернет-магазины, чтобы найти подходящий товар. Но затем начали развиваться алгоритмы машинного обучения, на основе которых компании разработали рекомендательные системы, ставшие неким дополнением, помощником в поиске. Они предсказывают, что могло бы нас заинтересовать в конкретном магазине или на сайте.

Рекомендательные системы стали настоящим бумом и сегодня представить какую-нибудь условную Lamoda без блока «Возможно, вас заинтересуют другие товары» сложно. Давайте под микроскопом рассмотрим, что собой представляют рекомендательные системы и какую пользу они могут принести бизнесу.

Что такое рекомендательные системы?

Рекомендательная система — комплекс алгоритмов, программ и сервисов, задача которого предсказать, что может заинтересовать того или иного пользователя. В основе работы лежит информация о профиле человека и иные данные.

Яркий пример рекомендательной системы — Tik-Tok, о котором в последнее время говорят очень много. Первые несколько дней пользователи видят в ленте все подряд, но потом приложение показывает пользователю только интересующее его видео на основе предыдущих оценок.

Даже музыкальные приложения не обходятся без рекомендательных систем. Одной из лучших обладает Spotify, которое недавно «пришло» в Россию. Через несколько дней после установки программа подбирает для пользователя треки, которые с высокой долей вероятности заинтересуют его.

Типы рекомендательных систем

Существует 4 чипа рекомендательных систем:

• Коллаборативная фильтрация (collaborative filtering).
• Основанные на контенте (content-based).
• Основанные на знаниях (knowledge-based).
• Гибридные (hybrid).

Коллаборативная фильтрация (collaborative filtering)

Рекомендации основаны на истории оценок как самого пользователя, так и других. Во втором случае системы рассматривают потребителей, оценки или интересы которых похожи на ваши.

Простой пример: Гена и Витя любят рыбачить и заказывать пиццу по вечерам. А еще они оба любят BMW и ездят на машинах этой марки. Еще есть Олег, который тоже не прочь посидеть с удочкой на выходных и заказать пиццу после тяжелого рабочего дня. Но о покупке BMW он никогда не задумывался. Так как его интересы (оценки) совпадают с Геной и Витей, ему можно порекомендовать BMW.

По такому принципу работает много сервисов, например, Имхонет или last.fm. Главное преимущество этого типа — высокая теоретическая точность. Но есть и минус: показывать хорошие рекомендации новым пользователям не получится, ведь о них нет никакой информации. Из-за этого будет большой процент отказов.

Основанные на контенте (content-based)

Этот тип лежит в основе многих рекомендательных систем. В отличие от коллаборативной фильтрации, этап знакомства с пользователем опускается. Товары и услуги рекомендуются на основе знаний о них: жанр, производитель, конкретные функции и т.п. В общем, применяют любые данные, которые можно собрать.

По такому принципу работают системы интернет-магазинов, онлайн-кинотеатров и других сервисов. Например, IVI выстраивает рекомендации по жанрам, странам-производителям фильмов, актерам и т.п.

Создатели платформ используют этот тип систем, чтобы не потерять новых пользователей, данных о которых еще нет. Отсюда же вытекают два недостатка: первое время системы действуют неточно и требуется больше времени на реализацию.

Основанные на знаниях (knowledge-based)

Этот тип работает на основе знаний о какой-то предметной области: о пользователях, товарах и других, которые могут помочь в ранжировании. Как и в случае с «content-based», оценки других пользователей системы не учитывают. Есть несколько разновидностей: case-based, demographic-based, utility-based, critique-based, whatever-you-want-based и т.д.

На самом деле количество подтипов ограничено фантазией создателей. При реализации нового проекта в зависимости от сферы деятельности в рекомендательную систему можно заложить любую предметную область и ранжировать по ней.

Например, магазин техники Apple «reStore» подбирает потенциальным покупателям наборы, в зависимости от просматриваемого товара:

Неплохо работает аналогичная система в интернет-магазине М.Видео:

При выборе новой игровой консоли PS4 посетителю сайта предлагают купить дополнительные геймпады, шлем виртуальной реальности, популярные игры и другие сопутствующие товары. Как итог, человек совершает больше покупок и увеличивает прибыль компании.

Очевидное преимущество системы — высокая точность. Рекомендательная система М.Видео показывает товары, которые могут реально заинтересовать посетителя. Было бы странно, если при выборе PlayStation 4 магазин советовал докупить человеку кухонный гарнитур.

Но есть и минус — для разработки этой системы требуется много времени и ресурсов. Но результат оправдывает средства.

Гибридные (hybrid)

Наверно, нет такой сферы деятельности, в которой не нашлось бы энтузиастов собрать «все в одно». Рекомендательные системы не стали исключением. У всех описанных ранее типов есть определенные недостатки. Комбинирование нескольких алгоритмов в рамках одной платформы позволяет если не устранить их полностью, то хотя бы минимизировать.

Крупные сервисы и интернет-магазины используют гибридные варианты. Чуть-чуть там, немного здесь и получается уникальная система. Универсальной инструкции и рекомендаций по реализации такого инструмента нет. Все ограничивается возможностями и фантазией разработчиков. Например, у Netflix в рекомендательной системе объединено 27 (!) алгоритмов.

Есть несколько распространенных типов комбинирования:

• реализация по отдельности коллаборативных и контентных алгоритмов и объединение их предположений;
• включение некоторых контентных правил в коллаборативную методику;
• включение некоторых коллаборативных правил в контентную методику;
• построение общей модели, включающей в себя правила обеих методик.

Как работают рекомендательные системы

С назначением рекомендательных систем разобрались — они предлагают клиентам те товары и/или услуги, которые заинтересуют их с большей вероятностью. С разновидностями тоже все понятно, поэтому теперь поговорим об основных принципах деятельности и сферах применения.

Рекомендательные системы работают на двух уровнях:

• Глобальные оценки; особенности и предпочтения, не меняющиеся месяцами или годами; интересные страницы; зависимость от характерных пользовательских черт: пол, место проживания и т.п.
• Кратковременные тренды и быстрые изменения интересов во времени.

Второй метод предусматривает фиксирование поведения потребителя на сайте или в приложении: какие страницы/разделы посмотрел, что добавлял в корзину, какие и где оставлял комментарии и т.п. При правильной организации сбора данных и дальнейшей аналитике метод дает хорошие результаты. Но и здесь есть ряд сложностей. Во-первых, просмотр отдельных страниц или карточек товара не дает сведений, понравилось ли в конечном итоге человеку предложение. Во-вторых, даже если совершена покупка, сложно предположить, что конкретно подтолкнуло человека к ее совершению.

Как и в случае с типами рекомендательных систем, по отдельности способы используют редко. Для получения наилучших результатов их комбинируют.

Грамотно настроенный сбор информации позволяет сделать рекомендации релевантными. С их помощью сокращается время поиска нужных товаров или услуг, а также повышается вероятность совершения сопутствующих целевых действий. Например, потребитель хотел купить только смартфон, но в результате дополнительно приобрел чехол для него. Когда потребитель тратит минимум времени для поиска нужных вещей и получает желанное, его лояльность к платформе повышается.

Еще один важный момент в работе рекомендательных систем, который стоит учитывать — соблюдение конфиденциальности. Они могут спрогнозировать такие результаты и выявить такие закономерности, о которых пользователь даже не задумывался или не хотел, чтобы это стало кому-то известно.

Что касается сфер применения рекомендательных систем, то здесь, по сути, ограничений никаких нет. Ранее мы уже не раз говорили, что все зависит от фантазии разработчиков. Их можно использовать в приложениях, интернет-магазинах, онлайн-кинотеатрах и других сервисах, которые предлагают какой-то контент, товары или услуги.

Любая компания, даже небольшой интернет-магазин диванов из региона, должна использовать рекомендательные системы. Они помогут в удержании текущих потребителей, привлечении новых и повышении прибыли.

Источник: productstar.ru