Коллаборативная фильтрация: как поведение аудитории превращается в рекомендации
Коллаборативная фильтрация (collaborative filtering) — способ формировать персональные рекомендации на основе действий и предпочтений множества пользователей. Система находит сходство между людьми или объектами по истории взаимодействий и прогнозирует, какие товары, фильмы, статьи или услуги заинтересуют конкретного человека. Метод не требует подробно описывать свойства каждого объекта, но зависит от объёма и качества накопленных данных.
Как работает коллаборативная фильтрация
В основе метода лежит предположение: если пользователи одинаково оценивали или выбирали объекты раньше, их будущие предпочтения тоже могут совпасть.
Система собирает взаимодействия пользователей с объектами. Это могут быть два типа данных:
- Явные сигналы — оценки, лайки, дизлайки, добавление в избранное и другие способы прямо выразить предпочтение.
- Неявные сигналы — просмотры, клики, покупки, прослушивания, время просмотра контента и повторные действия.
Данные представляют в виде матрицы «пользователь — объект». В строках находятся пользователи, в столбцах — товары или контент, а на пересечении — оценка или значение, которое отражает взаимодействие. Большинство ячеек обычно остаётся пустым: человек взаимодействует лишь с небольшой частью каталога.
Далее алгоритм ищет закономерности. Например, Анна и Борис купили одинаковые книги, но Борис также приобрёл ещё одну. Система может рекомендовать эту книгу Анне. В другом варианте алгоритм заметит, что аудитории определённой модели смартфона и конкретных наушников часто пересекаются, и предложит наушники пользователю, который интересовался смартфоном.
Такой принцип применялся ещё в ранних рекомендательных системах GroupLens. Они сопоставляли оценки пользователей и предлагали материалы, которые понравились людям с похожими интересами.
Основные подходы
Коллаборативную фильтрацию можно строить вокруг пользователей, объектов или математической модели.
| Подход | Что анализирует система | Пример рекомендации |
|---|---|---|
| На основе пользователей, user-based | Сходство истории действий разных людей | «Пользователи с похожими покупками также выбирали этот товар» |
| На основе объектов, item-based | Сходство аудиторий разных товаров или материалов | «Этот товар часто выбирают те же люди, что и просмотренный вами» |
| На основе модели, model-based | Закономерности во всей совокупности взаимодействий | «С высокой вероятностью этот объект соответствует предпочтениям пользователя» |
User-based-фильтрация сначала ищет пользователей с похожими интересами, а затем анализирует объекты, с которыми они взаимодействовали. Подход понятен, но поиск соседей становится ресурсоёмким при большой и быстро меняющейся аудитории.
Item-based-фильтрация рассчитывает сходство между объектами. Если значительная часть пользователей взаимодействовала и с товаром A, и с товаром B, система считает их связанными. Такой подход подробно описан в исследовании GroupLens.
Model-based-фильтрация обучает модель на истории взаимодействий. Например, матричная факторизация представляет пользователей и объекты через набор скрытых факторов, которые используются для прогнозирования предпочтений. Эти факторы отражают закономерности в данных, но не всегда имеют прямую интерпретацию как конкретный стиль, жанр или ценовой диапазон. К model-based подходам также относятся другие вероятностные и ML-модели.
В прикладных системах подходы часто сочетаются. Один алгоритм может подобрать кандидатов по сходству объектов, другой — ранжировать их с учётом поведения пользователя, наличия товара и правил бизнеса.
Два подхода к коллаборативной фильтрации: поиск похожих пользователей и поиск объектов с пересекающейся аудиторией
Чем метод отличается от контентной фильтрации
Коллаборативная фильтрация опирается на коллективное поведение. Ей не обязательно знать, что у фильма определённый жанр, а у товара — конкретный материал или цвет. Достаточно истории просмотров, оценок и покупок.
Контентная фильтрация, напротив, сопоставляет свойства объектов с интересами конкретного пользователя. Если человек читает статьи об аналитике, система предлагает другие материалы с похожей тематикой.
| Критерий | Коллаборативная фильтрация | Контентная фильтрация |
|---|---|---|
| Основные данные | Действия множества пользователей | Характеристики объектов и профиль интересов |
| Требования к описанию объекта | Подробное описание необязательно | Нужны структурированные признаки |
| Возможность предложить неожиданное | Обычно выше: объект может отличаться по формальным признакам | Обычно ниже: выдача чаще остаётся в знакомых категориях |
| Типичные ограничения | Холодный старт и недостаток взаимодействий | Неполные признаки и слишком узкая выдача похожих объектов |
Методы не исключают друг друга. Гибридная система учитывает и поведение аудитории, и свойства объекта. Например, новый товар сначала рекомендуют по категории и характеристикам, а после накопления действий — с учётом сходства его аудитории с аудиториями других товаров.
Как метод применяют в маркетинге
Коллаборативная фильтрация используется там, где у компании есть большой выбор объектов и накопленная история действий пользователей, связанных со стабильными идентификаторами или сессиями:
- Персональные товарные подборки. Интернет-магазин рекомендует позиции на главной странице, в карточке товара, корзине или рассылке.
- Кросс-селл. Алгоритм находит товары, которые часто выбирают одни и те же покупатели, и формирует сопутствующее предложение.
- Рекомендации контента. Медиа, онлайн-кинотеатры и образовательные сервисы подбирают статьи, фильмы, курсы или уроки.
- Повторное вовлечение. Пользователю показывают новые объекты, связанные с его предыдущими просмотрами и покупками.
- Ранжирование каталога. Позиции выводятся в разном порядке в зависимости от предполагаемого интереса конкретного человека.
Рекомендательный алгоритм формирует список кандидатов, но не определяет всю маркетинговую стратегию. Из выдачи исключают недоступные товары и предложения с неподходящей возрастной или региональной доступностью. Уже купленные позиции также можно исключить, если для них нехарактерна повторная покупка. Бизнес может повышать приоритет новинок, собственных брендов или товаров с необходимым остатком.
Ограничения коллаборативной фильтрации
- Холодный старт. У нового пользователя ещё нет истории, поэтому его не с кем надёжно сравнивать. Аналогичная проблема возникает с новым товаром: никто с ним не взаимодействовал, и система не знает, какой аудитории его предлагать. На старте применяют популярные позиции, короткий опрос об интересах, контентные признаки и данные контекста. После накопления действий выдачу постепенно персонализируют.
- Разреженность данных. При большом каталоге каждый пользователь взаимодействует лишь с малой долей объектов. Матрица содержит много пустых ячеек, а связи между редкими товарами оказываются слабыми.
- Смещение в сторону популярного. Популярные объекты получают больше взаимодействий и чаще попадают в выдачу. В результате они продолжают накапливать сигналы, а новые и нишевые позиции остаются незаметными. Для коррекции используют отдельные правила показа, разнообразие выдачи и контролируемую долю новых объектов.
- Устаревание предпочтений. История пользователя не всегда отражает его текущие интересы. Разовая покупка подарка, смена жизненной ситуации или сезонный спрос могут исказить рекомендации. Поэтому свежим действиям часто назначают больший вес, а старые сигналы постепенно ослабляют.
- Требования к идентификации и данным. Для персонализации между разными точками контакта система должна связывать действия одного человека на сайте, в приложении и других каналах. Ошибки идентификации смешивают историю разных пользователей или, наоборот, разбивают одного клиента на несколько профилей.
Качество рекомендаций стоит оценивать через контрольную группу или A/B-тест. Одного CTR недостаточно: популярная позиция может собирать клики, но не давать дополнительных покупок. Полезно сравнивать конверсию, выручку на показ, средний чек, охват каталога и долю новых объектов в выдаче.
Как рекомендации используются в Altcraft
В Altcraft доступен подключаемый модуль AI-рекомендаций на базе MoodRec. Он работает в составе Altcraft Platform или как отдельный продукт и формирует подборки товаров и контента с учётом каталога, интересов и поведения пользователя. Среди готовых сценариев — хиты и новинки, похожие товары, популярные позиции по интересам, смежные категории и персональный кросс-селл. В выдаче можно настраивать фильтры, приоритеты и правила исключения товаров.
MoodRec использует гибридные алгоритмы, которые учитывают историю поведения пользователя и его действия в текущей сессии. При подборе могут учитываться просмотренные товары, содержимое корзины и интересующие категории. Рекомендации можно размещать на сайте, например в каталоге или корзине, а также в email.
В отличие от подхода, который опирается только на коллаборативную фильтрацию, MoodRec сочетает несколько способов подбора товаров. Например, рекомендации могут основываться на популярности товаров, категориях и действиях посетителя в текущей сессии. Это снижает зависимость от накопленной истории: даже новому пользователю можно предложить подходящие товары на основе его первых действий.
Подключите AI-рекомендации Altcraft, чтобы персонализировать товарные и контентные подборки с учётом клиентских данных, поведения и правил выдачи.
Заключение
Коллаборативная фильтрация прогнозирует интерес пользователя по коллективной истории взаимодействий. Она может искать похожих людей, сопоставлять аудитории объектов или обучать модель на всей совокупности действий.
Метод особенно полезен для больших каталогов, но требует достаточного объёма качественных данных. Холодный старт, разреженность и смещение в сторону популярных позиций обычно компенсируют гибридными моделями, бизнес-правилами и экспериментальной оценкой результата.
Читайте по теме
