Недавний прогресс в области искусственного интеллекта позволяет нам разрабатывать проактивные системы искусственного интеллекта. В то время как традиционные рекомендательные системы выдают рекомендации по запросу пользователей, помогая им найти релевантный контент или продукт, проактивная система должна уведомлять пользователя каждый раз, когда появляется очень интересный контент или продукт становится доступным или изменяется, чтобы они могли его прочитать, посмотреть или получить.

Проактивные системы могут значительно повысить вовлеченность пользователей. Однако их развертывание было проблематичным в прошлом, потому что было очень трудно получить какую-либо интеллектуальную эвристику, которая предотвращала бы забивание пользователей нерелевантным контентом. Такое поведение быстро приводит к игнорированию уведомлений и часто отрицательно сказывается на удовлетворенности пользователей системой / продуктом.

С ростом количества продуктов и доступного контента вы не можете уведомлять каждого пользователя каждый раз, когда появляется новый контент. Вам нужна действительно интеллектуальная система искусственного интеллекта для персонализации, которая может определять, каких пользователей следует уведомлять, чтобы они с большой вероятностью ответили положительно. Хорошо то, что продвинутые рекомендатели могут определить, какие товары актуальны для пользователей, и могут предложить им довольно разнообразный портфель продуктов, охватывающий большую часть каталога, как вы можете узнать в нашем предыдущем посте. Однако традиционные рекомендатели редко могут порекомендовать конкретных пользователей, о которых следует уведомить, и о том, когда следует отправить рекомендацию.

Сценарии обратной рекомендации

В Recombee мы только что добавили новые функции, поддерживающие проактивные рекомендации. В то время как стандартные рекомендации возвращают список релевантных элементов для любого пользователя, с нашими новыми запросами API и алгоритмами вы можете создать список пользователей для любого элемента. Такая функциональность (мы называем ее обратными рекомендациями) идеально подходит для проактивных рекомендаций, потому что вы можете идентифицировать пользователей, которые с большой вероятностью будут заинтересованы в данном элементе.

Обратные рекомендации можно использовать в следующих сценариях:

  • Push-уведомление для выбранных пользователей, когда доступен новый контент (может быть новый фильм, статья, предложение о работе, продукт или любой другой элемент). В этом случае полезно собрать хотя бы несколько пользовательских взаимодействий с новым элементом, прежде чем запрашивать обратную рекомендацию, в противном случае могут применяться только методы, основанные на содержании.
  • Продвижение скрытых жемчужин - определите аудиторию для высококачественного контента, который часто приводит к конверсии или повышению вовлеченности (популярные статьи с предложением подписки, вводные показы захватывающих сериалов)
  • Определите конкретных пользователей из группы, которые могут быть заинтересованы в специальном предложении (например, отправка предложения только недавно присоединившимся пользователям, которые могут ответить).
  • Сценарии электронной рассылки для розничной торговли с целью продвижения товаров, срок действия которых скоро истекает и которые должны быть распроданы или нуждаются в продвижении.
  • Рассылка по электронной почте «премиальных» предложений, таких как вакансии, продукты или другой премиальный или высокоприбыльный контент.
  • Инструмент для рекрутеров по поиску подходящих кандидатов. Рекомендация соискателей на определенную должность.
  • Выявление новых элементов, которые следует предлагать, чтобы повысить вовлеченность определенной группы пользователей.
  • Определение потенциальной популярности контента до его приобретения (посмотрите, какие пользователи заинтересованы в конкретном контенте, прежде чем он станет доступным для пользователей).
  • В образовательной сфере для выявления студентов, интересующихся определенным содержанием или курсом. Рекомендации студентов для выполнения заданий или проектов.
  • Рекомендации рецензентов статей или проектов.
  • Внутриигровые рекомендации игроков со схожими интересами.
  • Рекомендации потенциальных партнеров в приложениях для знакомств.
  • Уведомления в социальных сетях - например, другу со схожими интересами просто понравился какой-то товар.

И, конечно же, во многих других сценариях. Обратные рекомендации могут помочь вам повысить эффективность и значительно повысить вовлеченность пользователей.

Когда отправлять проактивные рекомендации?

Многие компании просто бомбят своих пользователей статичными ежедневными почтовыми кампаниями. Определенная группа пользователей учится игнорировать такие электронные письма или отфильтровывать их, даже если они содержат персонализированные рекомендации, просто потому, что они получают их каждый день, независимо от того, достаточно ли нового релевантного контента. Мы рекомендуем нашим клиентам использовать эвристику, которая более чувствительна к поведению пользователей и потребностям. Эта стратегия помогает расширить их пользовательскую базу в долгосрочной перспективе.

Время очень важно для активных рекомендаций. Вы не хотите слишком беспокоить пользователей, чтобы они узнали, что уведомления / электронные письма, которые вы им отправляете, очень интересны и актуальны в правильное время.

У некоторых компаний может быть достаточно поведенческих данных даже для обнаружения скуки своих пользователей, чтобы они могли использовать их для расчета наилучшего времени для отправки рекомендаций. Системы рекомендаций на основе сеансов могут моделировать поведение пользователя и предсказывать лучшее время для следующего взаимодействия, но исследования в этой области все еще очень незрелы. Недавние статьи обещают масштабировать рекомендатели на основе сеансов, основанные на нейронных сетях или пуассоновских процессах, для миллионов пользователей и элементов. К сожалению, такие модели потребляют значительные ресурсы и по-прежнему не являются коммерчески жизнеспособными.

Для активных пользователей мы можем моделировать поведенческие модели и предсказывать, когда лучше всего отправлять рекомендации, но значительная часть пользователей не очень предсказуема (зависит от домена - сложнее в розничной торговле и проще в СМИ, работе или образовании).

Более того, многие из наших клиентов не имеют долгой истории взаимодействия с разумным процентом своих пользователей, что позволяет рассчитать идеальное время, когда следует отправлять рекомендации. Поэтому мы рекомендуем вам использовать простую эвристику, пока алгоритмы на основе сеансов не станут доступными и доступными.

Хорошая эвристика заключается в том, что вы увеличиваете частоту регулярных персонализированных рекомендаций всякий раз, когда пользователь отвечает и когда у вас достаточно релевантного нового контента (в Recombee вам нужно использовать параметр минимальной релевантности, и мы будем тестировать ротацию контента для вас). С другой стороны, вы уменьшаете частоту, если пользователь не отвечает.

При отправке проактивных рекомендаций рекомендуется комбинировать адаптивные периодические push-уведомления для всех пользователей, полученные по стандартным рекомендациям, как предложено выше, с периодическими уведомлениями, полученными с помощью обратных рекомендаций .

Алгоритмы обратных рекомендаций

В то время как в стандартных сценариях рекомендаций мы рекомендуем элементы пользователям, в обратных сценариях пользователям рекомендуются элементы. Таким образом, для одного конкретного товара мы можем получить ранжированный список пользователей, которые с наибольшей вероятностью будут смотреть / покупать / потреблять его. Чтобы вычислить этот ранжированный список, можно использовать исторические взаимодействия между пользователями и элементами. Кроме того, атрибуты пользователей и элементов полезны, особенно в сценариях холодного запуска (когда вам нужны пользователи для яркого нового элемента без взаимодействия).

Семейство алгоритмов, используемых для обратной рекомендации, почти такое же, как и для стандартной рекомендации, включая совместную фильтрацию, матричную факторизацию и все подходы, описанные в нашем блоге.

Самая сложная часть - это настройка обратных рекомендаций с помощью ReQL, что помогает использовать их в различных сценариях. См. Примеры ниже.

Вот как это можно сделать с помощью Recombee

Получить обратные рекомендации очень просто с предоставленными SDK. Например, в Python это так же просто, как отправить запрос RecomUsersToItem со следующим кодом:

users = client.send (RecommendedUsersToItem (‘item-458’, 50))

Он возвращает список из 50 пользователей, которые, скорее всего, заинтересуются item-458.

Если вы загрузили атрибуты для пользователей, вы можете использовать его для фильтрации или увеличения вывода на основе этих атрибутов, например, для отправки пользователям, которые присоединились в течение последних 7 дней:

users = client.send (RecommendedUsersToItem (‘item-458’, 50, filter = «‘ activate_date ’› now () - 7 * 24 * 60 * 60 »))

Или увеличить вероятность того, что пользователи, принадлежащие к определенной группе, окажутся между рекомендованными

users = client.send (RecommendedUsersToItem (‘item-458’, 50, booster = “if‘ group ’== \” loyal \ ”then 2.0 else 1.0”))

Смотрите наш видеоурок для получения дополнительной информации.

Заключение

Персонализированные push-уведомления, электронные письма или информационные бюллетени - отличные инструменты, которые помогут вам увеличить доход и заинтересовать пользователей. Мы предоставляем вам алгоритмы в облаке, позволяющие отправлять соответствующий контент исключительно пользователям, которые могут быть заинтересованы. Обратные рекомендации можно использовать во многих новых сценариях, помогая вам улучшить свой продукт и услуги.