🍀 Вопросы с собеседований. RecSys
Мы уже не раз обсуждали с Вами тему рекомендательных систем. Предлагаю проверить себя. Сегодня снова рубрика «Вопросы с собеседований», на этот раз поговорим про рекомендательные системы. Закрепим материал и подготовимся к усвоению новой информации.
🧐 Слышали ли вы про проблему холодного старта? Как показывать рекомендации пользователю, о вкусах которого мы еще ничего не знаем?
✅ На самом деле определение «холодного старта» уже дано во втором вопросе: холодный старт в рекомендательных системах - явление, при котором система еще не успела собрать достаточно данных о пользователе, не успела отследить его историю просмотров или покупок. Бороться с этим можно несколькими способами. Можно предложить пользователю, пройти небольшое анкетирование перед началом работы с приложением или сайтом: например, у нас маркетплейс, где собрано огромное количество товаров, тогда можно задать вопрос пользователю (с вариантами ответов), «какие товары его интересуют» или «товар из какой категории он хочет найти», и на основе собранных ответов построить рекомендации. Часто бывает, что наша система не знает вкусовые предпочтения конкретного пользователя, но знает предпочтения определенной группы людей: например, вы впервые заходите в онлайн-кинотеатр, который доступен вам по подписке от оператора сотовой связи. В этом случае, система скорее всего знает ваш пол и возраст (так как при покупке сим-карты эти параметры указываются), и сможет построить вам подборку рекомендаций, которая наиболее популярна среди похожих на вас пользователей. А также можно просто порекомендовать самый популярный контент, а дальше уже оценивать поведение потребителя и строить более персонализированные рекомендации. Кстати, рекомендация популярного контента среди общего количества пользователей не самая плохая идея для начала построения рекомендаций.
🧐 В вашем распоряжении три разных модели для построения рекомендаций: модель коллаборативной фильтрации (user-based подход), модель, которая по картинкам просмотренных товаров подбирает схожие товары и LFM модель. Какую модель вы бы выбрали для новых пользователей?
✅ Скорее LFM модель, основанную скалярном произведении эмбеддингов пользователей и товаров, такой модели не так страшно отсутствие информации о пользователи, как остальным. Коллаборативная фильтрация здесь вряд ли подойдет, так как у нас просто нет достаточного количества данных об интересах пользователя, по которым можно было бы построить хорошую коллаборацию с другими пользователями (назовем их друзьями по интересам). Контентная модель тоже не лучший вариант – у нового пользователя еще нет истории просмотров товаров, по которой можно подобрать схожие.
Мы уже не раз обсуждали с Вами тему рекомендательных систем. Предлагаю проверить себя. Сегодня снова рубрика «Вопросы с собеседований», на этот раз поговорим про рекомендательные системы. Закрепим материал и подготовимся к усвоению новой информации.
🧐 Слышали ли вы про проблему холодного старта? Как показывать рекомендации пользователю, о вкусах которого мы еще ничего не знаем?
✅ На самом деле определение «холодного старта» уже дано во втором вопросе: холодный старт в рекомендательных системах - явление, при котором система еще не успела собрать достаточно данных о пользователе, не успела отследить его историю просмотров или покупок. Бороться с этим можно несколькими способами. Можно предложить пользователю, пройти небольшое анкетирование перед началом работы с приложением или сайтом: например, у нас маркетплейс, где собрано огромное количество товаров, тогда можно задать вопрос пользователю (с вариантами ответов), «какие товары его интересуют» или «товар из какой категории он хочет найти», и на основе собранных ответов построить рекомендации. Часто бывает, что наша система не знает вкусовые предпочтения конкретного пользователя, но знает предпочтения определенной группы людей: например, вы впервые заходите в онлайн-кинотеатр, который доступен вам по подписке от оператора сотовой связи. В этом случае, система скорее всего знает ваш пол и возраст (так как при покупке сим-карты эти параметры указываются), и сможет построить вам подборку рекомендаций, которая наиболее популярна среди похожих на вас пользователей. А также можно просто порекомендовать самый популярный контент, а дальше уже оценивать поведение потребителя и строить более персонализированные рекомендации. Кстати, рекомендация популярного контента среди общего количества пользователей не самая плохая идея для начала построения рекомендаций.
🧐 В вашем распоряжении три разных модели для построения рекомендаций: модель коллаборативной фильтрации (user-based подход), модель, которая по картинкам просмотренных товаров подбирает схожие товары и LFM модель. Какую модель вы бы выбрали для новых пользователей?
✅ Скорее LFM модель, основанную скалярном произведении эмбеддингов пользователей и товаров, такой модели не так страшно отсутствие информации о пользователи, как остальным. Коллаборативная фильтрация здесь вряд ли подойдет, так как у нас просто нет достаточного количества данных об интересах пользователя, по которым можно было бы построить хорошую коллаборацию с другими пользователями (назовем их друзьями по интересам). Контентная модель тоже не лучший вариант – у нового пользователя еще нет истории просмотров товаров, по которой можно подобрать схожие.