Paano gumagana ang mga referral system?

Marahil ay hindi mo rin alam kung paano mga sistema ng rekomendasyonNgunit tiyak na nakatagpo ka ng ilan. Alam mo, kapag ang isang naka-personalize na ad ay napakatukoy na Naghihinala ka ba na ang iyong nakagawian ay binabantayan? O kapag ang isang random na pagkakasunud-sunod ng mga kanta sa Spotify ay tila ginawa para lamang maging soundtrack ng iyong buhay sa anumang naibigay na sandali? Tama, binabanggit ang isa sa mga pinaka-klasikong slogan sa Brazilian na telebisyon: Ito ay hindi pangkukulam, ito ay teknolohiya!

Ngunit paano posible ang lahat ng ito? Ang mga kumpanya ba ay talagang sumubaybay sa iyong mga aktibidad? Well, hindi tamang salita ang spying. Ngunit mayroong pagsubaybay, at isang buong merkado ang itinayo sa paligid nito. Sa ibaba, alamin kung paano gumagana ang mga pangunahing mekanismo ng rekomendasyon at kung bakit napakahalaga ng mga ito.

Talatuntunan

Mga sistema ng rekomendasyon at ang kanilang mga mekanismo

Karaniwan, mayroong tatlong uri ng mga mekanismo na ginagamit upang mag-alok ng online na nilalaman: collaborative na pagsasala, pag-filter na batay sa nilalaman и sistema ng hybridna pinagsasama ang dalawang nasa itaas. Lumipat tayo sa mga katangian ng bawat isa:

collaborative na pagsasala

Sa ganitong uri ng mekanismo, ginagamit ng mga algorithm ang machine learning para mahulaan ang iyong mga gusto batay sa mga user na ang pag-uugali ay katulad ng sa iyo.

Por ejemplo: Kung madalas nakikinig si Felipe sa Bands. Slipknot, Linkin Park e dalhin mo sa akin ang abot-tanaw sa isang streaming service na gumagamit ng collaborative na pag-filter, at nakikinig si Ana, na isa ring user ng platform Slipknot, Linkin Park e Kornmaaaring magrekomenda ng serbisyo dalhin mo sa akin ang abot-tanaw Para kay Ana.

Sa mas kumplikadong mga system, tulad ng mga rekomendasyon sa pelikula at aklat, mas maraming bagay ang dapat isaalang-alang, bilang karagdagan sa pangkalahatang pakikipag-ugnayan: maaaring ito ang marka na ibinibigay ng user sa content, o ang average na oras ng pagkonsumo, bukod sa iba pa.

Pag-filter na Batay sa Nilalaman

Sa content-based na pag-filter, umaasa ang system sa content attribution nang hindi umaasa sa pakikipag-ugnayan sa ibang user. Sa kasong ito, ang mga indikasyon ay batay sa mga katangian ng mga inirekumendang artikulo at ang mekanismo ay lumilikha ng isang uri ng pangkalahatang profile ng gumagamit na dapat na interesado sa mga katulad na paksa.

Por ejemplo: Sa mas mababaw na antas, kung susundin ni Claudia ang mga pahinang nauugnay sa Anatomy ni Grey sa social media, maaaring magrekomenda ang platform ng mga grupo para sa kanya sa parehong paksa. O kaya naman, para pumunta pa, kapag nanonood ng Grey's Anatomy sa isang streaming service, maaaring magrekomenda ang platform Ang magaling na doktor. o Sa bahay, na mga seryeng medikal din.

hybrid na pagsasala

Gaya ng ipinahihiwatig ng pangalan nito, ang hybrid na pag-filter ay gumagamit ng parehong mga algorithm batay sa pakikipag-ugnayan ng user at ang mga sumusuri lamang sa nilalaman, na may layuning bumuo Isang mas matatag na sistema ng rekomendasyon.

Ito ay may kalamangan na maaari kang "pumunta sa labas ng kahon", na tumuturo sa mas maraming iba't ibang mga produkto, ngunit pinapanatili ang mga rekomendasyon na may kaugnayan at tumpak.

Ganito ang kaso ng Netflix, na gumagamit ng data ng napakalaking user base nito upang mag-assemble ng sample sa pamamagitan ng collaborative filtering algorithm, ngunit gumagamit din ng "mga label" na nakatalaga sa mga nilalaman ng catalog nito upang gawing mas kaakit-akit ang system.

O OneHowTo.com higit pa tungkol sa mga rekomendasyon sa Netflix sa espesyal na artikulong ito.

Bakit mahalaga ang mga recommender system?

Sa ngayon, dapat mong malaman na ang Internet ay isang walang tao at halos lahat ng iyong ginagawa dito ay nakadokumento sa isang paraan o iba pa. Ibig sabihin, nag-iiwan ka ng marka kapag nakinig ka ng bagong single sa iyong paboritong streaming service, kapag pumunta ka sa tindahan para kumuha ng trainer para sa gym, o kapag nanood ka ng tatlong magkakasunod na video mula sa parehong content creator sa isang social network.

Maaaring mukhang hangal, ngunit ang mga ito Malaki ang halaga ng data sa pagba-browse at pakikipag-ugnayan. Ito ay mahalagang pera na nagpapagana sa mga sistema ng rekomendasyon. Ang impormasyong ito ay nagpapakain ng isang mekanismo na higit na natututo tungkol sa iyo at, sa tulong ng artificial intelligence, ay nahuhulaan kung ano ang malamang na gusto mo sa susunod.

Kailangan ng mga kumpanya ang data na ito dahil sa isang konsepto na tinatawag "ekonomiya ng pansin".. Ito ay malapit na nauugnay sa pag-unlad ng teknolohiya at ang pakiramdam na ang oras ay lumilipas araw-araw. Sa isang konektadong mundo, ang mga industriya na minsan ay tila nakahiwalay ay nauuwi sa pakikipagkumpitensya para sa isang maliit na bahagi ng araw ng isang tao.

Sa praktikal na mga termino, maaari mong isipin na, kahit na sila ay mula sa iba't ibang mga industriya, ang Netflix ay nakikipagkumpitensya sa Duolingo, dahil habang inilalagay mo ang iyong mga marmol sa ika-6 na round, ang mga aralin sa Espanyol ay nakatambak sa platform ng wika na naka-install sa iyong mobile phone. . At sa sitwasyong ito, kung mas mahusay ang sistema ng rekomendasyon ng Netflix, mas maliit ang pagkakataong maagaw ng ibang app ang iyong atensyon.

“Kung mapagkakatiwalaang makuha ng pera ang iyong atensyon, kailangan lang nitong magbayad sa iyo ng kinakailangang halaga at patuloy kang makikinig nang mabuti sa buong bagay nang hindi natutulog o hinahayaan ang iyong isip na gumala. Sa katunayan, kahit na makakuha ka ng isang malaking halaga, ito ay magiging napakahirap. Ang isang taong nais ang iyong pansin ay hindi maaaring umasa sa pagbabayad ng pera upang makuha ito, kailangan nilang gumawa ng higit pa, kailangan nilang maging kawili-wili.

Goldhaber, MH (1997). . Unang Lunes., 2 Na (4).

Ang algorithm ng milyun-milyon: ang kwento ng tagumpay ng TikTok

Ngayon imposibleng pag-usapan ang tungkol sa isang algorithm ng rekomendasyon at hindi isipin ang tungkol sa TikTok. Ang social media phenomenon mula sa Chinese company na ByteDance ay mahalagang isang platform na ginawa para sa mga adik, at ang resulta ay nagawang magdulot ng takot sa kahit na ang app empire ng Facebook.

Tulad ng iba pang mahuhusay na teknolohiya, gumagamit ang TikTok ng artificial intelligence upang mag-alok ng nilalaman nito sa ibang mga user. Ang kakaiba nito ay ang rekomendasyon ay patuloy na nagpapakita ng bago sa isang walang katotohanan na rate (sa tab na "Para sa Iyo"), ngunit hindi nawawala ang kaugnayan.

Para magawa ito, gumagamit ang TikTok ng data na nauugnay sa iyong mga pakikipag-ugnayan, hashtag, audio recording, lokasyon at ang caption ng bawat video.

Ang algorithm ng rekomendasyon ng TikTok ay gumana nang maayos kaya ito ay naging isang produkto at maaari na ngayong ibenta sa ibang mga kumpanya sa pamamagitan ng isang dibisyon na tinatawag na BytePlus.

Mga sistema ng rekomendasyon at privacy

Gaya ng sinabi ko sa simula ng artikulong ito, maaaring iparamdam sa iyo ng mga referral system na parang ikaw ay binabantayan. Ang damdaming ito ay bahagyang makatwiran. Ang isyu ng privacy ay isa sa mga pangunahing problema na likas sa paksang ito, at nagdudulot ito ng pananakit ng ulo para sa mga user at kumpanya.

Hindi nakakagulat, nagdulot ng kontrobersya ang Apple noong ipinakilala nito ang isang tampok upang limitahan ang pagsubaybay ng mga app sa mga device nito. Ang App Tracking Transparency (ATT) ay labis na binatikos ng Facebook at ng iba pang kumpanya na ang negosyo ay nakabatay sa advertising.

Ang bagong patakaran ay nangangailangan ng app na humingi ng pahintulot sa user na mangolekta ng data sa pagba-browse. Kung walang pahintulot, maaaring lumabas pa rin ang mga ad, ngunit hindi gaanong nauugnay ang mga ito, ayon sa Facebook. Ito ay dahil hindi masusulit ng kumpanya ang mga system ng rekomendasyon nito upang magpakita ng mga ad batay sa mga interes ng mga user.

Sa kabilang banda, ang kakulangan ng pag-personalize sa mga ad ay isang presyo na itinuturing ng marami na maliit, na natatakot sa isa pang iskandalo sa maling pagbabahagi tulad ng Cambridge Analytica.

Sa sitwasyong ito, at isinasaalang-alang ang hinaharap sa pinagtatalunang (at kontrobersyal) metaverse, mahalaga ang kredibilidad ng kumpanya kapag nagpapasya kung papayagan ang pagsubaybay at pagbibigay ng mga system ng nagrerekomenda. Bilang karagdagan, dapat tandaan na napakahalaga na magkaroon ng ebolusyon ng mga regulasyon upang matiyak na ang aming data ay ginagamit nang tama.