AI в системите за препоръки
Системите за препоръки са изкуствен интелект, който тихо избира какво да гледате, купувате и превъртате след това.
Преглед
They drive a huge share of engagement and revenue at companies like Netflix, Amazon, YouTube, and Spotify.
Дълбоко гмуркане
Работата на препоръчителя е да предвиди какво ще иска потребителят от огромен каталог. Двата класически подхода са съвместно филтриране, което открива модели сред потребителите („хора като вас също харесаха това“) и базирано на съдържание филтриране, което съпоставя характеристиките на артикула с предишните ви предпочитания. Съвременните системи ги комбинират и добавят задълбочено обучение: невронните мрежи научават плътни вграждания за потребители и артикули, така че сходните вкусове се намират близо един до друг във векторното пространство. Netflix популяризира полето със своята награда от $1 милион и днес тези системи захранват емисията на YouTube, предложенията за продукти на Amazon, Discover Weekly на Spotify и страницата For You на TikTok. Те също са източник на безпокойство, тъй като оптимизирането само за ангажиране може да създаде филтърни мехурчета и да увеличи пристрастяващото или поляризиращо съдържание.
Техническа информация
Матричната факторизация беше пробив: представете рядката матрица за оценка на потребителски артикул като продукт на две по-малки матрици от латентни фактори, така че всеки потребител и артикул да се превърнат в кратък вектор. Точковото произведение на потребител и вектор на елемент предсказва оценката. Дълбоките модели разширяват това с невронно съвместно филтриране и архитектури с две кули, които бързо извличат кандидати, след което моделът за класиране ги оценява. Студеният старт, който се препоръчва за съвсем нови потребители или артикули, остава упорито предизвикателство.
Стратегическо въздействие
Build choices
Дизайнът на ниво приложение определя дали AI подобрява реалните резултати.
Team and workflow
Добрата интеграция на работния процес създава печалби в производителността, на които потребителите могат да се доверят.
Risk and safety
Добре обхванатите случаи на употреба намаляват умората от промяна и риска от внедряване.
Бъдещето на AI в системите за препоръки
Препоръчителите стават все по-контекстуални и разговорливи. Големите езикови модели ви позволяват да поискате предложения на естествен език и да обясните защо е избрано нещо, докато мултимодалните модели разсъждават върху текст, изображения, аудио и видео заедно. Очаквайте по-голям акцент върху дългосрочното удовлетворение от необработените кликвания, плюс регулиране, настояващо за прозрачност и потребителски контрол върху алгоритъма. Техниките за запазване на поверителността, като на устройството и федералната препоръка, също нарастват.
Внедряване в реалния свят
Netflix предлага предавания и дори персонализира миниатюрни изображения въз основа на вашата хронология на гледане
Discover Weekly на Spotify създава персонализиран плейлист от съвместно филтриране между слушатели с подобен вкус
„Клиентите, които са купили това, също са купили“ на Amazon и препоръките за продукти на началната страница, стимулират голям дял от продажбите
Страницата For You на TikTok бързо научава предпочитанията от времето на гледане, повторенията и пропусканията, за да класира кратки видеоклипове
Рискове и предпазни огради
Автоматизирането на счупен процес може да засили съществуващите проблеми.
Екипите могат да автоматизират прекалено и да премахнат необходимата човешка преценка.
Качеството може да се промени, ако резултатите не се оценяват непрекъснато.
Пътна карта за изпълнение
Картирайте текущия работен процес и идентифицирайте стъпката с най-голямо триене.
Определете човешки контролни точки преди пълна автоматизация.
Обучете потребителите на подкани, пътища за ескалация и стандарти за качество.
Проследявайте резултатите на ниво задача, за да потвърдите устойчива стойност.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Recommendation Systems quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Системи за препоръчване на AI
Frequently asked questions
What is AI in Recommendation Systems?
Системите за препоръки са изкуствен интелект, който тихо избира какво да гледате, купувате и превъртате след това. Те водят до огромен дял от ангажираността и приходите на компании като Netflix, Amazon, YouTube и Spotify.
На какво се основава съвместното филтриране?
Съвместното филтриране намира потребители с подобни вкусове и препоръчва това, което те харесват, идеята „хора като вас също харесват“.
Какво използва базираното на съдържание филтриране, за да прави препоръки?
Филтрирането, базирано на съдържание, съпоставя атрибутите на артикула с характеристиките на нещата, които преди сте харесали.
Какъв проблем решава матричното факторизиране в препоръчителите?
Матричната факторизация декомпозира рейтинговата матрица на малки потребителски и артикулни вектори, чийто точков продукт предвижда оценки.
Какъв е проблемът със „студения старт“?
Студеното стартиране е предизвикателството да се правят добри препоръки, когато има малко или никакви данни за нов потребител или елемент.
Каква конкуренция помогна за популяризирането на изследванията за препоръки?
Наградата Netflix от 1 милион долара предизвика екипите да подобрят своите прогнози за рейтинг и стимулира големия напредък в тази област.