Recommendation System

Рекомендательная система — это алгоритм фильтрации информации, предназначенный для прогнозирования предпочтений пользователя в отношении определённых объектов. Эти интеллектуальные системы служат основой современных приложений искусственного интеллекта (AI), помогая пользователям ориентироваться в огромном объёме доступного онлайн-контента с помощью персонализированных рекомендаций. Анализируя закономерности в больших данных, например историю покупок, привычки просмотра и оценки пользователей, рекомендательные механизмы повышают вовлечённость пользователей и упрощают принятие решений. Их широко применяют в средах, где разнообразие вариантов превышает способность пользователя вручную оценить их все.

Основные механизмы рекомендаций#

Рекомендательные механизмы обычно используют определённые стратегии машинного обучения (ML) для создания релевантных рекомендаций. К трем основным подходам относятся:

• Коллаборативная фильтрация: этот метод основан на предположении, что пользователи, имевшие одинаковые предпочтения в прошлом, будут иметь их и в будущем. Он выявляет сходства между пользователями (на основе пользователей) или объектами (на основе объектов), используя данные о взаимодействиях. Например, если Пользователю A и Пользователю B понравился фильм «Фильм X», система предполагает, что Пользователю A также может понравиться «Фильм Y», если он понравился Пользователю B.
• Фильтрация на основе содержания: этот подход рекомендует объекты, похожие на те, которые ранее понравились пользователю, основываясь на атрибутах объектов. Для этого требуется анализировать характеристики самих объектов, часто используя обработку естественного языка (NLP) для текстовых описаний или компьютерное зрение (CV) для анализа изображений товаров.
• Гибридные модели: объединяя коллаборативную фильтрацию и фильтрацию на основе содержания, гибридные рекомендательные системы стремятся преодолеть ограничения отдельных методов, например неспособность рекомендовать новые объекты, для которых отсутствует история взаимодействий с пользователями.

Практические применения#

Практическая польза рекомендательных систем распространяется на различные отрасли, способствуя как улучшению клиентского опыта, так и росту выручки бизнеса.

1. Электронная коммерция и розничная торговля: платформы используют сложные алгоритмы для рекомендации товаров покупателям. Эти системы обеспечивают работу AI в розничной торговле, динамически отображая списки «Клиенты, купившие это, также купили…», что значительно увеличивает возможности перекрёстных продаж.

2. Потоковая передача медиаконтента: сервисы активно зависят от персонализации. Команды, занимающиеся исследованиями рекомендательных систем Netflix, разрабатывают алгоритмы, которые анализируют историю просмотров и заполняют домашнюю страницу пользователя релевантными фильмами и шоу. Аналогичным образом музыкальные платформы создают плейлисты, анализируя акустические характеристики и поведение пользователей при прослушивании.

Визуальные рекомендации с помощью эмбеддингов#

Один из ключевых методов в современных рекомендательных системах, особенно для визуального контента, заключается в использовании эмбеддингов. Эмбеддинг — это числовое представление объекта, например изображения, в многомерном пространстве. Эмбеддинги визуально похожих объектов будут расположены близко друг к другу.

Следующий код на Python демонстрирует, как извлекать эмбеддинги изображений с помощью предварительно обученной классификационной модели Ultralytics YOLO26 и вычислять их сходство с помощью PyTorch.

import torch.nn.functional as F
from ultralytics import YOLO

# Load a YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate embeddings for two images (returns a list of Results objects)
results = model.predict(["bus.jpg", "dog.jpg"], embed=[1000])

# Calculate cosine similarity between the two embeddings
# Higher score indicates greater visual similarity
similarity = F.cosine_similarity(results[0].probs.data, results[1].probs.data, dim=0)

print(f"Visual Similarity Score: {similarity.item():.4f}")

Рекомендательные системы и связанные понятия#

Важно отличать рекомендательные системы от базовых технологий, которые они часто используют:

• Векторный поиск: это метод поиска, используемый для нахождения объектов в векторной базе данных, которые математически ближе всего к запросу. Хотя рекомендательная система использует векторный поиск для нахождения похожих товаров, сама рекомендательная система включает более широкую логику профилирования пользователей и ранжирования. Подробнее об этом можно узнать в нашем руководстве по поиску сходства.
• Семантический поиск: в отличие от обычных рекомендаций, которые могут основываться на совпадении поведения, семантический поиск сосредоточен на понимании смысла запроса. Рекомендательный механизм может использовать семантический поиск для интерпретации намерений пользователя при просмотре определённых категорий.

Проблемы и важные аспекты#

Развёртывание эффективных рекомендательных систем сопряжено со значительными трудностями:

• Проблема холодного старта: у новых пользователей или объектов отсутствует история взаимодействий, необходимая для коллаборативной фильтрации. Такие методы, как обучение на небольшом числе примеров, или использование метаданных часто применяются как решения проблемы холодного старта.
• Масштабируемость: системы должны обрабатывать миллионы взаимодействий в реальном времени. Для этого требуются эффективные стратегии развёртывания моделей и оптимизированное оборудование.
• Этические последствия: всё более необходимо решать проблему алгоритмической предвзятости, чтобы системы не укрепляли стереотипы. Соблюдение принципов этики AI и обеспечение конфиденциальности данных имеют критическое значение для сохранения доверия пользователей.

Для создания и обучения собственных моделей для рекомендательных задач платформа Ultralytics предоставляет комплексную среду для управления наборами данных и обучения моделей.