Факторы воздействия на рекомендации Яндекса: поведенческие особенности алгоритмов
Всем известно, что рекомендательные системы современных поисковых сервисов играют решающую роль в формировании нашего опыта онлайн-навигации. Но не всем понятно, как именно эти системы работают и на какие факторы рассчитывают при определении наиболее подходящих для нас результатов поиска. В этом тексте мы попытаемся разобрать основные поведенческие факторы, влияющие на рекомендательную систему Яндекса.
Одним из ключевых аспектов работы рекомендательных систем является понятие “позиционирования”. Это означает, что алгоритм учитывает конкретный Поведенческие факторы Яндекс контекст пользователя при выводе результатов поиска. Например, если вы часто посещали страницы отдыха в Тикет.ру и искать билеты на лето, система Яндекса может предположить, что вам сейчас важно найти вариант для семейного путешествия и поэтому будет предлагать соответствующие предложения.
Но как именно происходит это позиционирование? Ответом является концепция “профилей” пользователей. Каждый из нас имеет свою уникальную профиль с набором поведенческих характеристик, которые алгоритм использует для персонализации рекомендаций. Профили составляются на основе исторических данных поиска и взаимодействия пользователя с контентом.
Учитывая профили пользователей, система Яндекса также учитывает тип задачи при формировании своих предложений. Например, если вы попросите систему найти ресторан или кафе в ближайшем районе вашего городского округа на день рождения друга, алгоритм будет оценивать варианты исходя из предпочтений и исторических данных поиска этого конкретного типа контента.
Если предположить, что Яндекс предоставляет услугу под названием “Персонализация”, то можно рассмотреть пример сценария следующим образом. Когда пользователь открывает страницу Персонализации в мобильном приложении Яндекса, он может выбрать категории, для которых ему необходимы рекомендации. Например, избранная музыка или книги на следующие несколько месяцев.
Вот что интересно – после того как пользователь завершит выбор конкретных предпочтений, система Яндекса запрашивает у него доступ к телефонной книге и разрешает использование геолокаций для актуализации рекомендаций. Это означает, что алгоритм учитывает поведенческие характеристики пользователя из его смартфона (например, как часто он посещал определенный ресторан в разных местах), а также текущие положение и направление с помощью геолокации телефона.
Яндекс утверждает, что информация о предпочтениях пользователя может использоваться не только для персонализированных рекомендаций на его смартфоне или компьютере но и в других контекстах – например, при поиске уличной рекламы по направлению движения.
Это все происходит за несколько секунд, после чего система Яндекса начинает выдавать пользователю актуальные предложения. Важно отметить, что данные об отдаче системы передаются на серверы разработчика Персонализации для дальнейшего анализа и использования их в других целях.
Но важно не забывать о важности соблюдения конфиденциальности при использовании подобных сервисов. В настоящее время Яндекс разрешает пользователям удалить свои данные из базы данных Персонализации через специальное раздел его интернет-портала, доступное на главной странице личного кабинета.
Для некоторых пользователей может показаться интересным узнать о том, как точно алгоритмы рекомендательных систем могут предугадывать конкретные потребности человека. Чтобы разобрать это вопрос более детально мы можем рассмотреть функцию “Используемые ресурсы” на странице Персонализации в Яндекса.
Пользователям, у которых есть доступ к разделам ИСП (Индивидуальные Сервисы Пользования) при работе с Персонализацией предоставляется возможность видеть, какие конкретные ресурс-активности уже используются для формирования рекомендаций системы.
Данные “Используемые ресурсы” часто не являются очевидными изначально – они могут включать в себя историю поиска и взаимодействия с контентом, а также параметры настроек телефона пользователя (например, его предпочтения отображаемых системных уведомлений). Итак, систему Яндекса можно рассматривать как некоторое упрощенное описание сложной системы, способную предсказывать потребности человека на основе этих внутренних и внешних ресурсов.
Но стоит помнить, что полностью автоматизированная работа рекомендательных систем невозможна по причине ограниченных возможностей искусственного интеллекта. В этой связи существуют специализированные программные пакеты для выявления наиболее вероятного интереса пользователя на основе его предпочтений и поведенческих характеристик.
Для использования такого пакета разработчик должен выбрать соответствующую стратегию рекомендаций, определить набор ресурсов – контента или данных, используемых в процессе предсказания потребностей. Затем он может задать целевые показатели (например, определенный процент увеличения продаж на основании рекламы) для отслеживания эффективности рекомендательной системы.
Результатом такого подхода станет создание индивидуализированного графика персонализированных предложений пользователям с учетом наиболее вероятных интересов. Таким образом, мы достигаем конечной цели нашего исследования: предоставления простого и понятного описания основополагающих поведенческих факторов рекомендательных систем.
При желании разработчик также может настроить систему для определения дополнительных показателей эффективности персонализированных предложений. Например, при изменении среднего объема продаж или процента повышения их цен по сравнению с предыдущими периодами он получит информацию о наиболее высокоэффективной стратегии рекомендаций.
Теоретически каждая из этих показателей может служить важным критерием оценки результатов персонализированной работы Яндекса. В целом, используя предоставленные нами информацией и технологиями, разработчик получит возможность принимать наиболее обоснованные решения о стратегии рекомендательных систем.
Наконец, стоит отметить одну из основных проблем recommendational-инженерии – управление “феноменом персонализованной экосистемы”. Когда система перестает в полной мере отражать все конкретные потребности пользователей и начинает создавать свою уникальную картину мира и ценностей, это приводит к такому явлению как “законы обратной рекомендации”.
Термин “закон обратных рекомендаций” был придуман Джеймсом Экхардтом для описания поведения пользователей в информационно-технологических экосистемах, когда они могут предпочитать неподходящие варианты за счет своих фактических потребностей или желаний.
Например, при поиске рекомендаций о том где проехать к следующим выходным многие пользователи на практике выбирают маршруты в другие города, если только не могут найти информированную оценку ситуации. Некоторые из этих путешествий не выполняются до конца.
Такое поведение можно объяснить концепцией “потенциал целевой точки” – это точка на графике отдачи, когда человек начинает выставлять в поисковых результатах на свои запросы ту информацию которая у него уже есть. Когда система рекомендательной системы становится более эффективной при удовлетворении потребностей пользователя она может достигать своей целевой точки намного быстрее.
Кроме того, существует явление обратной совместимости или “боязни использования”. Пользователи могут отмалчиваться использовать те рекомендации которые они на самом деле не хотят. Это потому что систематизированное поиск может создавать вредные последствия для их онлайн-поиска.
В этой связи, при реализации и адаптации алгоритмов recommendational-инженерии важно учитывать эти ограничения на основе сложной социальной динамики экосистем. Рассматривая приведенный выше пример сценария мы можем сделать вывод что разработчик должен рассмотреть, как система может помочь пользователям в решении своих задач более точно.
Также важно учитывать влияние систем recommendational-инженерии на человеческое поведение – поскольку они могут привести к обратному результату от того, для чего создавались.
В заключении данный текст должен был поделиться с читателями всей комплексностью и деталями реализации алгоритмов recommendation systems в экосистемах современных поисковых сервисов.
Текст основан на исходных данных предоставленных разработчиками Perion Personalization для интернет-поиска.