Вы когда-нибудь задумывались о рекомендуемых историях, которые вы видите рядом с новостной статьей? Кто дает эти рекомендации и как они выбирают истории, которые появляются?
Рекомендации — это удобный способ для пользователей найти дополнительные статьи для чтения. Они также удерживают пользователей на наших сайтах дольше, что для нас хорошо.
И хотя редакциям полезно выбирать связанные истории, которые могут быть хорошими для дальнейшего чтения, у нас есть другой подход, более персонализированный и высвобождающий время наших журналистов, чтобы они могли написать больше статей.
Работая с компанией по машинному обучению Seldon, мы можем автоматически рекомендовать статьи на основе тех, которые пользователь — и похожие на него пользователи — читал ранее.
Это немного похоже на алгоритм Amazon «клиенты, купившие этот товар, также купили…» или на то, как Facebook выбирает, что появляется в вашей ленте новостей.
Мы используем сочетание релевантности темы, времени публикации и популярности, чтобы показать персонализированный список рекомендуемого чтения. В результате вы получаете больше историй, которые могут вас заинтересовать, с уклоном в сторону экстренных и популярных новостей.
Звучит очевидно, но узнать, что пользователь интересуется бизнесом, и порекомендовать ему деловые новости вместо развлечений, работает очень хорошо.
Или, более детально, если кто-то читает о регби больше, чем о футболе, мы можем использовать эту информацию, чтобы наполнить «их» раздел «Спорт» большим количеством новостей о регби и меньшим количеством футбола. Это лучший пользовательский опыт во всех отношениях.
И у нас есть несколько конкретных применений этой технологии.
Мы часто можем с высокой степенью точности предсказать, где живет или работает пользователь, основываясь на историях, которые он читает. В наших региональных изданиях, таких как Manchester Evening News, мы можем рекомендовать гиперлокальные новости большой части читателей.
Это означает, что пользователь может видеть более целенаправленные новости из Солфорда, Олдхэма или Траффорда — везде, где это важно для них.
Оказывается, добавление этого в смесь действительно работает. В тестах A/B больше пользователей нажимали на гиперлокальные новости со статистической значимостью при высоком доверительном интервале. И после Манчестера мы повторили этот успех во многих других городах Великобритании, каждый раз проверяя данные, подтверждающие нашу гипотезу перед развертыванием.
Мы также использовали поведенческие данные, чтобы улучшить нашу репутацию среди любителей спорта.
Некоторым читателям не нравится видеть рекомендации футбольных команд-соперников. Поэтому, как только пользователь прочитал достаточно историй об одной конкретной команде, мы можем с некоторой уверенностью сказать, что он болеет за этот клуб.
Затем мы рекомендуем больше историй об их команде — и специально исключаем истории о некоторых местных соперниках.
Мы опробовали этот алгоритм, чтобы улучшить нашу репутацию и избежать негативной реакции пользователей на новости о конкурирующих командах, но мы обнаружили, что это изменение также улучшило рейтинг кликов.
До 10% пользователей нажимают на рекомендуемую ссылку, чтобы найти следующую статью для чтения. Так что это беспроигрышный вариант.
У нас в разработке еще много продуктов, которые собирают поведенческие данные и используют их для улучшения взаимодействия с пользователем различными способами на наших платформах. Футбол — это только начало…
