Контентная фильтрация: как рекомендации находят похожие товары и материалы
Контентная фильтрация (англ. Content-based Filtering) — метод персональных рекомендаций, при котором система сопоставляет характеристики товаров, услуг или материалов с интересами конкретного пользователя. Алгоритм ориентируется на признаки объектов и интересы конкретного человека, а не на предпочтения других пользователей.
Как работает контентная фильтрация
В основе метода находятся два набора данных: описание доступных объектов и профиль интересов пользователя. Под контентом здесь понимают не только текст, изображение или аудиозапись. Алгоритм может работать с метаданными: категорией, брендом, автором, жанром, ценой, цветом и другими характеристиками.
Процесс состоит из нескольких этапов:
- Система описывает объекты через признаки. Например, для фильма это жанр, режиссёр, актёры, страна и год выпуска. Для товара — категория, бренд, материал, цвет, назначение и ценовой диапазон.
- Формируется профиль интересов пользователя. Источниками служат просмотры, поисковые запросы, клики, добавления в избранное, покупки, оценки и явно выбранные предпочтения.
- Алгоритм сопоставляет профиль с объектами. Каждой позиции назначается оценка релевантности. В простых моделях для этого используют косинусную близость или скалярное произведение векторов признаков.
- Объекты ранжируются. Система выбирает позиции с высокой оценкой, затем может исключить недоступные, уже купленные или нежелательные варианты.
Score(user, item) = similarity(user profile, item features)
Допустим, посетитель интернет-магазина несколько раз смотрел красные кроссовки для бега. В его профиле усиливаются признаки «кроссовки», «бег» и «красный цвет». Система ранжирует выше другие товары с такими характеристиками. Действия покупателей с похожим поведением для такого расчёта необязательны.
Для расчёта сходства система может использовать как заранее заданные признаки, так и векторные представления, полученные из описаний, изображений и других данных об объекте. Выбор способа влияет на то, какие виды сходства алгоритм сможет обнаружить.
Контентная фильтрация сопоставляет профиль интересов пользователя с характеристиками объектов
Где контентную фильтрацию применяют в маркетинге
Контентная фильтрация подходит для каталогов, в которых у объектов есть содержательные и достаточно стабильные характеристики.
Основные сценарии:
- Похожие товары. На карточке товара показывают альтернативы той же категории, назначения, бренда или ценового диапазона.
- Персональная витрина. Порядок товаров на главной странице меняется с учётом категорий и характеристик, которыми интересовался посетитель.
- Рекомендации материалов. Медиа, образовательные платформы и корпоративные базы знаний предлагают статьи, видео или курсы на темы, которые пользователь изучал раньше.
- Подборки в email и push. В сообщение вставляют товары или материалы, соответствующие текущему профилю интересов получателя.
- Продвижение новых позиций. Если у нового объекта уже заполнены характеристики, его можно сопоставить с интересами пользователей до накопления просмотров и покупок.
Как выглядят блоки с похожими товарами в реальных интернет-магазинах:
По внешнему виду таких подборок нельзя определить, какой алгоритм использует площадка: контентную фильтрацию, другие модели или их сочетание.
Для рекомендаций сопутствующих товаров одного сходства часто недостаточно. Чехол и смартфон связаны по назначению, но не похожи по обычным признакам. Такой сценарий требует правил совместимости, данных о совместных покупках или гибридной модели.
Чем контентная фильтрация отличается от других подходов
| Подход | На чём строится подбор | Сильная сторона | Основное ограничение |
|---|---|---|---|
| Контентная фильтрация | Признаки объектов и интересы конкретного пользователя | Может рекомендовать нишевые и новые позиции с заполненными характеристиками | Часто повторяет уже известные интересы |
| Коллаборативная фильтрация | Действия множества пользователей | Обнаруживает неочевидные связи между объектами | Требует достаточной истории взаимодействий |
| Сегментация и правила | Заранее заданные маркетологом условия | Результат легко объяснить и контролировать | Все связи нужно описывать вручную |
Коллаборативная фильтрация исходит из поведения аудитории: если люди с похожими предпочтениями выбирают одни и те же позиции, система предлагает их друг другу. Контентная фильтрация сравнивает характеристики объектов с индивидуальным профилем и не нуждается в данных о других пользователях.
Сегментация работает на уровне групп. Например, всем клиентам, которые покупали товары для бега, отправляют одну подборку. Контентная фильтрация рассчитывает релевантность отдельных позиций для каждого человека. Эти подходы можно сочетать: сегмент определяет аудиторию и сценарий, а рекомендательная модель — содержимое персонального блока.
В реальных системах часто применяют гибридную схему. Кандидатов собирают несколькими способами, затем оценивают и повторно ранжируют с учётом доступности, новизны, разнообразия и коммерческих правил.
Преимущества и ограничения метода
Контентная фильтрация в чистом виде не требует данных о популярности объекта среди широкой аудитории. Поэтому редкая книга, специализированный курс или нишевый товар могут попасть в подборку, если их признаки совпадают с интересами пользователя.
Другое преимущество — относительная объяснимость. Рекомендацию можно связать с конкретными признаками: «похожая тема», «тот же жанр», «подходящий ценовой диапазон». Однако качество выдачи напрямую зависит от полноты и точности описания каталога.
Основные ограничения:
- Холодный старт пользователя. До первых действий системе неизвестны его интересы. На старте используют выбранные предпочтения, контекст текущей страницы, популярные позиции или короткий опрос.
- Сверхспециализация. Человек постоянно получает вариации уже просмотренного и редко видит новые категории.
- Зависимость от признаков. Если в каталоге нет важных характеристик или значения заполнены по-разному, алгоритм сравнивает объекты некорректно.
- Неоднозначность действий. Просмотр товара не всегда означает интерес: пользователь мог открыть карточку случайно или искать подарок.
- Слабое понимание взаимодополняемости. Похожие объекты алгоритм находит лучше, чем совместимые, но непохожие товары.
Какие данные нужны для запуска
Перед внедрением стоит проверить три группы данных.
- Каталог. У объектов должны быть единые категории, названия атрибутов и форматы значений. Значения «красный», «красн.» и
redнужно привести к единому формату. Важные для выбора признаки должны быть заполнены у большинства позиций. - История взаимодействий. События нужно разделять по силе сигнала. Покупка обычно говорит об интересе больше, чем просмотр, а явная отрицательная оценка должна снижать вес соответствующих признаков. Для быстро меняющихся интересов старые действия постепенно теряют влияние.
- Бизнес-ограничения. Рекомендации должны учитывать наличие, регион, цену, возрастные ограничения, уже купленные товары и маркетинговые приоритеты. Эти правила применяют при отборе кандидатов или повторном ранжировании.
Качество рекомендаций оценивают по метрике, связанной с задачей размещения: кликам по блоку, добавлениям в корзину, покупкам, выручке или глубине просмотра. Изменение алгоритма лучше проверять экспериментом с контрольной группой: рост CTR ещё не означает рост продаж.
Контентная фильтрация в Altcraft
В экосистеме Altcraft доступны AI-рекомендации — в составе Altcraft Platform и в отдельном сервисе MoodRec. Среди готовых алгоритмов — похожие товары, популярные позиции и новинки в любимых категориях, кросс-сейл и рекомендации товаров, которые часто покупают вместе. В зависимости от сценария система учитывает каталог, интересы и поведение пользователя. Эти сценарии могут использовать разные модели, а не только контентную фильтрацию.
Маркетолог может настраивать фильтры и приоритеты выдачи, продвигать или исключать отдельные позиции, выбирать плейсменты и запускать разные стратегии для сегментов. Рекомендации размещаются в каталоге, корзине, email и других точках контакта.
В стратегии можно выбрать модель рекомендаций, ограничить доступные товары и настроить правила их продвижения
Для персональных подборок в письмах MoodRec подключается к шаблону Altcraft как источник динамического JSON-контента. Подробнее о механике — в документации по использованию AI-рекомендаций.
Посмотрите, как модели, плейсменты, фильтры и правила выдачи устроены в модуле AI-рекомендаций Altcraft.
Заключение
Контентная фильтрация подбирает товары и материалы по сходству их характеристик с интересами конкретного пользователя. Метод особенно уместен для каталогов с подробными и единообразными атрибутами, а также для новых и нишевых позиций, по которым ещё мало действий аудитории.
Точность выдачи зависит от качества каталога, корректной интерпретации пользовательских событий и бизнес-фильтров. Чтобы рекомендации не становились однообразными, контентную фильтрацию часто объединяют с коллаборативными моделями, правилами и повторным ранжированием.
Читайте по теме
