Soovitussüsteemid

Õpieesmärgid:

Selle peatüki läbimise järgselt oskad:

• Kirjeldada soovitussüsteemi toimimist samm-sammult
• Tunda ära näiteid reaalsest elust
• Selgitada eri tüüpi soovitussüsteemide toimimispõhimõtet

---

Kujutage ette, et teil on isiklik nõustaja, kes mäletab täpselt, millist kohvi te eelistate esmaspäeva hommikul, märkab, et te kipute stressirohketel nädalatel dokumentaalfilme vaatama, ja teab, et teie sünnipäeva lähenedes otsib teie partner alati midagi erilist.

See pole ulme – täpselt nii toimivad tänapäeva soovitussüsteemid.

Soovitussüsteemide tüübid

Soovitussüsteemid on tehisintellekti rakendused, mis analüüsivad kasutajate käitumist, eelistusi ja erinevat tüüpi kogutud infot, et isikupärastatud soovitusi pakkuda. Need süsteemid õpivad kasutajate andmetest ja ennustavad, mis tooteid, teenuseid või sisu kasutajad tõenäoliselt eelistaksid.

Tänapäevased soovitussüsteemid on keerukad, mitmetasandilised ning kombineerivad statistikat, masinõpet ja suurandmete töötlemist. Vaatame viit kõige levinumat soovitussüsteemi tüüpi:

Sisupõhised soovitussüsteemid (Content-Based Recommendation System)

Sisupõhine filtreerimine keskendub toodete omadustele ja sinu isiklikule ajaloole. Süsteem analüüsib tooteid, mis sulle on varem meeldinud (nt filmide puhul žanr, näitlejad, režissöör), ja loob sinu eelistuste profiili. Seejärel otsib see uusi tooteid, mille omadused sobivad kokku sinu profiiliga.

Kui oled vaadanud palju Christopher Nolani lavastatud ulmefilme, soovitab süsteem sulle tõenäoliselt tema järgmist filmi või teisi sarnase temaatikaga linateoseid. See meetod on väga personaalne, kuid võib tekitada "filtrimulli", kus sulle pakutakse ainult sarnaseid asju, piirates uute avastuste tegemist.

Koostööpõhine filtreerimine (Collaborative Filtering Recommendation System)

See on üks populaarsemaid ja võimsamaid meetodeid, mis põhineb "kollektiivsel tarkusel". Süsteem ei analüüsi toote sisu, vaid kasutajate käitumismustreid. Selle põhiidee on leida kasutajad, kelle maitsed on sinu omadega sarnased. Kui sarnase maitsega kasutajatele meeldis mõni film või toode, mida sina pole veel näinud või ostnud, siis eeldab süsteem, et see võiks ka sulle meeldida.

See on justkui digitaalne versioon sõbralt soovituse küsimisest, tuginedes põhimõttele "inimestele, kes on sinuga sarnased, meeldivad samad asjad, mis sullegi”. Koostööfiltreering on väga efektiivne personaliseeritud soovituste pakkumisel ja suudab tuvastada peidetud mustreid, mida sisuanalüüs ei pruugi leida.

Kombineeritud süsteemid (Hybrid Systems)

Kuna eelneval kahel meetodil on oma selged plussid ja miinused, kasutavad tänapäeva suured platvormid (nagu Netflix ja Spotify) peaaegu alati hübriidsüsteeme. See lähenemine kombineerib mitut meetodit, et saavutada parim tulemus. Näiteks võib süsteem kasutada sisupõhist filtreerimist uue kasutaja puhul (kelle kohta pole veel andmeid) ja lülituda kollaboratiivsele filtreerimisele, kui kasutaja kohta on piisavalt andmeid kogunenud.

Teine võimalus on anda soovitusi mõlemast süsteemist ja need omavahel pingeritta seada. Hübriidmudelid on kõige täpsemad ja paindlikumad, kuna suudavad maandada üksikute meetodite nõrkusi.

Kontekstiteadlikud süsteemid (Context-Aware Systems)

See on arenenum lähenemine, mis lisab soovitustele täiendava kihi – konteksti. Lisaks sellele, mida sa eelistad, arvestab süsteem ka sellega, kus, millal ja kuidas sa teenust kasutad. Näiteks võib muusikarakendus soovitada sulle hommikul jõusaalis olles energilist treeningmuusikat ja reede õhtul kodus olles rahulikku džässi.

Restoranirakendus võib soovitada lõuna paiku lähedalasuvaid päevapakkumisi, arvestades sinu asukohta ja kellaaega. Konteksti arvestamine muudab soovitused oluliselt asjakohasemaks ja hetkeolukorrale vastavaks.

Sügavõppe põhised süsteemid

Sügavõppe põhised soovitussüsteemid kasutavad keerukaid närvivõrke, et tuvastada andmetes peidetud mustreid ja seoseid. Need süsteemid võivad töödelda suuri andmemahte ning õppida automaatselt kasutajate ja toodete keerukaid esitusi (embeddings). Näiteks võib süsteem analüüsida kasutaja klikkimiskäitumist, vaatamisaegu, ostude järjekorda ja muid käitumuslikke signaale, et ennustada tulevasi eelistusi.

Sügavõppe mudelid nagu konvolutsioonilised närvivõrgud, rekurrentsed närvivõrgud ja transformerid võimaldavad töödelda struktureerimata andmeid (tekst, pildid, heli) ja leida nendes mustreid, mida traditsioonilised algoritmid ei suudaks tuvastada.

Soovitus-süsteemi tüüp	Tööpõhimõte	Eelis	Puudus
Kollaboratiivne filtreerimine	Põhineb sarnaste kasutajate käitumisel ja eelistustel.	Leiab uudseid ja üllatavaid soovitusi.	Külmkäivituse probleem: ei tööta uute kasutajate / toodetega.
Sisupõhine filtreerimine	Põhineb toodete omadustel ja kasutaja varasematel valikutel.	Ei vaja teiste kasutajate andmeid, töötab ka nišitoodetega.	Tekitab "filtrimulli", soovitab vaid sarnaseid asju.
Hübriid-süsteemid	Kombineerib mitut meetodit (nt kollaboratiivset ja sisupõhist).	Maandab eri meetodite puudusi, pakkudes täpsemaid soovitusi.	Keerulisem ja ressursimahukam arendada ning hallata.
Konteksti-teadlikud süsteemid	Arvestab lisaks kasutajale ka konteksti (aeg, asukoht, ilm).	Väga relevantsed ja ajakohased soovitused reaalajas.	Vajab ligipääsu lisandmetele (nt asukoht), mis tekitab privaatsusküsimusi.
Sügavõppe põhised süsteemid	Kasutab närvivõrke mustrite tuvastamiseks.	Suudab töödelda suuri andmemahte ja struktureerimata andmeid, leiab keerukaid mustreid.	Ressursimahukas, vajab palju treeningandmeid.

Viimastel aastatel on eriti kasvanud sügavõppel põhinevate ja hübriidsüsteemide populaarsus, kuna need suudavad pakkuda täpsemaid ja personaalsemaid soovitusi. Kontekstiteadlikud süsteemid muutuvad samuti üha olulisemaks, eriti mobiilirakendustes ja asukohapõhistes teenustes.

Soovitussüsteemide jaoks kogutavad andmed

Tehisintellekti soovitussüsteemide "kütus" on andmed. Mida rohkem ja kvaliteetsemaid andmeid süsteemil on, seda täpsemaid ja asjakohasemaid soovitusi see suudab teha. Andmed, mida soovitussüsteemid vajavad, võib jagada nelja peamisesse kategooriasse.

1. Interaktsiooniandmed (Interaction Data)

See on kõige olulisem andmetüüp, mis kirjeldab, kuidas kasutajad on toodete või sisuga suhelnud. Need andmed on koostööpõhise filtreerimise selgroog. Interaktsiooniandmed jagunevad kaheks:

• a) Selgesõnalised tagasisideandmed (Explicit Data): Kasutaja annab teadlikult ja otse tagasisidet. Sellised andmed annavad väga kvaliteetse ja selge signaali kasutaja eelistuste kohta, aga kuna kasutajad annavad tagasisidet harva, on andmeid vähe (andmed on hajutatud). Sellised andmed on näiteks:
  • Hinnangud (nt 1–5 tärni filmile).
  • "Meeldib" / "Ei meeldi" nupuvajutused (YouTube, Netflix).
  • Sisule "reageerimine" emotikoniga (Facebook, Instagram)
  • Kirjalikud arvustused ja kommentaarid.
  • Lemmikutesse lisamine.
  • Soovinimekirja lisamine.
• b) Kaudselt tuletatud andmed (Implicit Data): Tagasiside, mis tuletatakse kasutaja käitumise jälgimisest, ilma et kasutaja seda otse annaks. Info kogutakse veebilehe või rakenduse analüütika ja logifailide kaudu, mis salvestavad iga kasutaja tegevuse. Andmeid on tohutult palju, sest iga tegevus genereerib neid, kuid see-eest on need "mürarikkad" ja tõlgendamine on keerulisem. Näiteks klikk ei tähenda alati huvi (võis olla juhuslik) ja video pooleli jätmine ei tähenda alati, et see ei meeldinud (võis tulla telefonikõne). Järgnevalt mõned näited:
  • Ostuajalugu: kõige tugevam signaal e-kaubanduses;
  • Klikid ja vaatamised: millistele toodetele/videotele kasutaja klikib;
  • Vaatamise/kuulamise aeg: kas kasutaja vaatas video lõpuni või loobus poole pealt;
  • Otsingupäringud: milliseid otsisõnu kasutaja sisestas;
  • Ostukorvi lisamine: isegi kui ostu ei sooritata, näitab see huvi;
  • Hiire liikumine: kui kaua kursorit toote pildi kohal hoitakse.

2. Toote/Sisu andmed (Item/Content Data)

Sellised andmed, mis kirjeldavad soovitatavaid objekte endid, on sisupõhise filtreerimise aluseks. Selliste andmete kogumine käib kas käsitsi sisestades (nt tootekataloogi haldaja), automaatselt veebist kraapides (nt filmiandmebaasidest) või masinõppega (nt pildituvastus toote värvi tuvastamiseks või loomuliku keele töötlus (NLP) artikli teema analüüsimiseks).

• Filmide puhul: žanr, näitlejad, režissöör, ilmumisaasta, märksõnad, süžee kirjeldus;
• Toodete puhul (e-pood): kategooria, bränd, hind, värv, materjal, tehnilised andmed;
• Muusika puhul: esitaja, album, žanr, tempo, meeleolu, laulusõnad;
• Uudiste puhul: teema, autor, avaldamise kuupäev, artiklis mainitud isikud ja kohad.

3. Kasutajaandmed (User Data)

Need on andmed kasutajate endi kohta, mis aitavad luua kasutajaprofiile ja segmenteerida kasutajaid. Enamasti saadakse need registreerimisvormide kaudu, kus kasutaja ise andmed sisestab, kasutajaprofiili seadetest või tuletatakse teistest andmetest (nt asukoht IP-aadressi järgi). Nendeks on:

• Demograafilised andmed: vanus, sugu, elukoht (riik, linn);
• Eelistused: keelevalik, registreerimisel märgitud huvialad (nt "vali oma lemmikžanrid");
• Sotsiaalsed andmed: sõprade nimekiri või jälgitavad isikud platvormil (võimaldab soovitada asju, mis meeldivad sinu sõpradele).

4. Kontekstiandmed (Contextual Data)

Need on andmed, mis kirjeldavad soovituse tegemise hetke olukorda. Need on kontekstiteadlike süsteemide aluseks. Kogutakse kasutaja seadme sensoritelt (nt GPS, kell) või välistest API-dest (nt ilmateenistus).

• Aeg: kellaaeg, nädalapäev, aastaaeg;
• Asukoht: kasutaja füüsiline asukoht (GPS-andmed);
• Seade: kas kasutatakse mobiiltelefoni, tahvelarvutit või lauaarvutit;
• Keskkond: näiteks ilm (kas väljas sajab vihma või paistab päike).

Edukas soovitussüsteem ei toetu kunagi ainult ühele andmetüübile. Kõige võimsamad süsteemid kombineerivad neid kõiki.

• Netflix kasutab sinu vaatamisajalugu (kaudne interaktsioon) ja hinnanguid (otsene interaktsioon).
• Samal ajal analüüsib see filmide žanreid ja näitlejaid (sisuandmed).
• See võrdleb sinu tegevust teiste sarnase vanuse ja asukohaga (kasutajaandmed) inimestega.
• Ja võib-olla soovitab reede õhtul (kontekstiandmed) midagi teistsugust kui esmaspäeva hommikul.

Andmete kogumisel on kriitilise tähtsusega ka privaatsus ja eetika. Ettevõtted peavad olema läbipaistvad, milliseid andmeid nad koguvad ja milleks neid kasutavad, ning andma kasutajatele kontrolli oma andmete üle.

Soovitussüsteemi toimimine samm-sammult

1. Kasutaja identifitseerimine ja profiili loomine

Soovitussüsteemi teekond algab kasutaja identifitseerimisega, mis võib toimuda otsese sisselogimise või küpsiste kaudu anonüümsete kasutajate puhul, luues igale kasutajale unikaalse identifikaatori, millega saab siduda edasist käitumist ja eelistusi platvormi kasutamisel.

Seejärel koondatakse kasutaja kohta teadaolev informatsioon profiili, mis sisaldab nii eksplitsiitseid andmeid (kasutaja enda märgitud eelistused, demograafiline teave) kui ka implitsiitseid andmeid (varasem käitumine, klikid, vaatamised).

Profiili täiendatakse pidevalt kasutaja interaktsioonide käigus, muutes seda järjest täpsemaks ja mitmekülgsemaks, mis omakorda võimaldab soovitussüsteemil pakkuda relevantsemaid soovitusi vastavalt kasutaja tegelikele huvidele ja vajadustele.

2. Andmete kogumine ja salvestamine

Soovitussüsteemi toimimiseks on hädavajalik pidev andmete kogumine kasutajate käitumise kohta, mis hõlmab klikke, vaatamisi, otsinguid, oste ja kõiki muid interaktsioone süsteemiga. Need andmed salvestatakse struktureeritud kujul andmebaasi, kus iga interaktsioon seotakse konkreetse kasutaja ja objektiga (toode, artikkel, video), luues kasutaja-objekt-interaktsioon kolmiku koos ajatempli ja võimalike täiendavate metaandmetega.

Suuremahuliste süsteemide puhul kasutatakse spetsiaalseid sündmuste jälgimise süsteeme ja andmevoogude töötlemise platvorme, mis suudavad hallata miljoneid interaktsioone sekundis ning tagada andmete kiire kättesaadavuse nii analüüsiks kui ka reaalajas soovituste genereerimiseks.

3. Andmete eeltöötlemine ja puhastamine

Toorandmed vajavad enne analüüsi põhjalikku eeltöötlemist, mille käigus eemaldatakse müra, duplikaadid ja anomaaliad, mis võiksid soovituste kvaliteeti negatiivselt mõjutada. Eeltöötluse käigus toimub andmete normaliseerimine (näiteks erinevate hindamissüsteemide viimine ühtsele skaalale), puuduvate väärtuste käsitlemine (kas asendamine, eemaldamine või puuduvate väärtuste asendamine) ning kategoriaalsete tunnuste kodeerimine masinloetavasse formaati.

Samuti võib toimuda andmete rikastamine, kus olemasolevaid andmeid täiendatakse väliste allikatega või tuletatud tunnustega, näiteks lisades toodetele semantilisi märksõnu või ekstraheerides tekstilistest kirjeldustest olulisi tunnuseid, mis aitavad süsteemil paremini mõista nii kasutajate eelistusi kui ka toodete omadusi.

4. Kasutajate ja objektide kirjeldamine numbrikeeles

Pärast andmete puhastamist tuleb kasutajad ja objektid (nt filmid, raamatud, tooted) kirjeldada kujul, mida arvuti o skab töödelda. Selleks muudetakse iga kasutaja ja objekt numbrite kogumiks ehk „vektoriks“. Seda võib ette kujutada kui profiilikaarti, kus numbrid näitavad näiteks, kui väga inimene eelistab teatud žanre või milliseid omadusi toode endas kannab.

Selline kirjeldus võimaldab süsteemil võrrelda inimesi ja objekte ühesugusel kujul. Mõned meetodid on lihtsad (näiteks tabel, kus on kirjas, milliseid filme keegi on vaadanud), teised aga keerulisemad (sügavõppemudelid, mis ise õpivad peidetud mustreid). Oluline on, et need numbrilised kirjeldused aitavad süsteemil mõista kasutaja eelistusi ja toodete omadusi ning teha prognoose ka uute või varem proovimata asjade kohta.

5. Sarnasuste arvutamine

Kui kasutajate ja objektide vektorid on loodud, saab nende vahel arvutada sarnasusi, kasutades erinevaid matemaatilisi meetrikaid nagu koosinus-sarnasus, Eukleidiline kaugus või Pearson'i korrelatsioon. Kui kahele kasutajale meeldivad samad viis filmi kümnest, siis võib öelda, et nad on sarnased. Sarnasuste arvutamine võib toimuda nii kasutajate vahel (leidmaks sarnaste eelistustega kasutajaid), objektide vahel (leidmaks sarnaseid tooteid) kui ka kasutaja-objekti paaride vahel (ennustamaks, kui tõenäoliselt konkreetne kasutaja konkreetse objekti vastu huvi tunneb).

Arvutuslikult on sarnasuste arvutamine mahukas protsess, eriti suurte kasutajabaasidega süsteemides, mistõttu kasutatakse sageli erinevaid optimeerimistehnikaid nagu lähima naabri algoritmid, indekseerimine või dimensionaalsuse vähendamine, et teha arvutused tõhusamaks ja võimaldada soovituste genereerimist reaalajas.

6. Soovituste genereerimine

Sarnasuste ja mudelite põhjal genereeritakse igale kasutajale personaalsed soovitused, rakendades konkreetset soovitusalgoritmi, mis võib põhineda koostööfiltreerimisel, sisufiltreerimisel või nende kombinatsioonil. Soovituste genereerimise protsess võtab sisendina kasutaja profiili, hetke konteksti (kui see on teada) ning arvutatud sarnasused või mudeli ennustused, väljastades järjestatud nimekirja objektidest, mida süsteem peab antud kasutajale kõige relevantsemaks.

Genereerimise käigus võidakse rakendada täiendavaid filtreid, näiteks eemaldada juba vaadatud objektid, lisada mitmekesisuse tagamiseks ka vähem ilmseid soovitusi või arvestada ärilisi piiranguid nagu toote saadavus, kampaaniad või strateegilised eesmärgid, tagades nii soovituste praktilise kasutatavuse ja vastavuse nii kasutaja kui ka platvormi vajadustele. E-poes võidakse sulle soovitada sarnaseid tooteid, mida oled varem vaadanud, või uusi tooteid, mida ostsid sinuga sarnased inimesed.

7. Soovituste kuvamine ja kasutajaliides

Genereeritud soovitused integreeritakse kasutajaliidesesse viisil, mis muudab need kasutajale nähtavaks, arusaadavaks ja atraktiivseks, kasutades erinevaid disainielemente nagu karusellid(liikuv horisontaalne riba), võrgustikud või personaalsed sektsioonid. Soovituste kuvamisel on oluline leida tasakaal silmapaistvuse ja mittepealetükkivuse vahel, esitades soovitusi kontekstis, kus need on kasutajale kõige kasulikumad (näiteks ostukorvi lisamisel, toote detailvaates või otsingutulemustes).

8. Tagasisideahel ja pidev õppimine

Soovitussüsteemi töö ei lõpe kunagi, vaid see on pidevas ringluses. Pärast soovituste esitamist jälgib süsteem hoolikalt, kuidas kasutaja nendega suhtleb – millistele soovitustele ta klikib ja milliseid ignoreerib. See uus informatsioon on väärtuslik tagasiside, mis suunatakse tagasi süsteemi algusesse, andmete kogumise faasi. Nagu „õppimine vigadest ja õnnestumistest“ – iga klikk või ignoreerimine on uus vihje.

See tagasisideahel võimaldab mudelitel pidevalt õppida ja kohaneda kasutaja muutuvate eelistustega. Iga interaktsioon muudab süsteemi targemaks, tagades, et tulevased soovitused on veelgi täpsemad ja isikupärasemad.

Näited reaalsest elust

Netflix – Meelelahutuse isikupärastamine

Netflixi ärimudel tugineb sellel, kui hästi suudavad nad kasutajat platvormil hoida - koguni 80% vaadatud sisust tuleb soovitustest. Kogu sinu Netflixi avaleht on üks suur isikupärastatud soovituste kogum. Isegi kaanepildid muutuvad kasutaja eelistuste järgi: Kui sulle meeldivad romantilised filmid, võidakse sulle draamafilmi näidata pildiga, mis rõhutab romantilist liini, aga kui sulle meeldivad komöödiad, näidatakse sama filmi puhul pilti mõne tuntud koomikuga.

Netflix kasutab üht maailma keerulisemaid soovitussüsteeme. Analüüsitakse kasutajate vaatamisajalugu, hindamisi, pauside asukohti, seadme tüüpi ja isegi kellaaega, millal sisu vaadatakse. Süsteem jälgib ka, millised žanrid, näitlejad või režissöörid kasutajale meeldivad ning kõike kohandatakse reaalajas.

Amazon – E-kaubanduse teerajaja

Amazon oli üks esimesi, kes hakkas laialdaselt kasutama soovitussüsteeme, et suurendada müüki. Nende kuulus "item-to-item collaborative filtering" on saanud tööstuse standardiks. Soovitused, mis on esitatud vormis: "Kliendid, kes ostsid seda, ostsid ka", "Teie jaoks soovitatud" ja "Sageli koos ostetud", ilmuvad nii tootelehtedel kui ka ostukorvis. Samuti luuakse igale kliendile isikupärastatud avaleht ja e-kirjad.

35% Amazoni müügist genereeritakse soovitustega. Selleks kogutakse andmeid kasutajate ostuajaloo, otsinguterminite, lehel sirvimise, ostukorvi lisamise ja soovinimekirja kohta. Lisaks analüüsitakse toodete hindamisi, arvustusi ja võrreldakse sarnaste kasutajate käitumist. "Võrdle sarnaste toodetega"- valik kasutab toote atribuute ja omadusi, et näidata sarnaseid alternatiive.

Spotify – Muusika avastamise meister

Spotify edu võti on nende võime aidata kasutajatel avastada uut muusikat, mis neile meeldib, hoides neid seeläbi tellijatena. Nende isikupärastatud esitusloendid on legendaarsed. Spotify kogub andmeid kuulatud laulude, artistide, albumite kohta, jälgib, millal kasutaja laulu vahele jätab või kordab, ning analüüsib muusika omadusi nagu tempo, žanr ja meeleolu.

Kasutajad saavad nautida iganädalast esitusloendit 30 lauluga (Discover Weekly), mis on genereeritud peamiselt kollaboratiivse filtreerimisega ehk laulud, mis meeldivad sarnase maitsega kuulajatele või igapäevaseid esitusloendeid (Daily Mixes), mis on koostatud kasutaja hiljutiste kuulamisharjumuste põhjal ja segavad tuttavaid lugusid uutega. Lisaks uue muusika radar (Release Radar) ehk uued lood artistidelt, keda sa jälgid või sageli kuulad ning raadiofunktsioon, mis loob lõputu esitusloendi, põhinedes ühel laulul, artistil või esitusloendil.

Youtube - Videoimpeeriumi selgroog

YouTube kasutab vaatamisajalugu, like/dislike märkeid, kommentaare, tellitud kanaleid, otsinguajalugu ja videote vaatamise kestust. Süsteem jälgib ka, millal kasutaja video pooleli jätab või kordab. Algoritm püüab maksimeerida vaatamisaega ja platvormi külastamist ja seda edukalt - 70% vaatamise ajast kulub soovitatud videotele.

YouTube võttis 2016. aastal kasutusele sügavatel närvivõrkudel põhinevad soovitussüsteemid, mis suudavad töödelda tohutult keerukaid mustreid kasutajate käitumises. Kui vaatad videot, pakub YouTube kohe järgmise video, mis on seotud sinu vaatamisharjumuste, hetkelise video teemaga või populaarsete valikutega. Automaatne esitus hoiab kasutajad sisutsüklis.

Külgribal kuvatakse seotud ja potentsiaalselt huvipakkuvad videod, mis on valitud sinu ja teiste sarnase maitsega kasutajate vaatamiskäitumise põhjal ning avalehel näed nii uusi kui ka tuttavad valikuid isikupärastatud videoloendina, mis põhineb sinu ajalool, eelistustel ja hetkel populaarsetel teemadel.

TikTok - Hüper-isikupärastatud voog

TikTok analüüsib kasutajate tuletatud andmeid: milliseid videoid sa vaatad lõpuni, mida vaatad korduvalt, milliseid jagad, kommenteerid või "laigid". Isegi video vaatamise aeg (sekundites) on kriitiline andmepunkt, aga kasutatakse ka videosse lisatud muusikat ja hashtag'e. Süsteem jälgib muidugi ka kasutaja loodud sisu ja jälgitavaid kontosid.

TikToki "For You" leht on ehk kõige agressiivsem ja kiiremini õppiv soovitussüsteem maailmas pakkudes lõputut voogu personaalseid videosoovitusi, mis kohanduvad reaalajas kasutaja käitumise järgi. Algoritm "katsetab" kasutajate peal regulaarselt uut tüüpi sisu ja populaarsust koguvaid trende, et näha, kas su huvid võiksid laieneda.

---

Kokkuvõttes loovad hästi toimivad soovitussüsteemid väärtust kõigile osapooltele. Ettevõtted saavad pakkuda personaliseeritud kasutajakogemust, mis hoiab kliente platvormil kauem, suurendab nende rahulolu ja lojaalsust ning võib viia suurema käibe ja kasumini. Klientidele säästavad soovitussüsteemid aega, aidates avastada huvipakkuvat sisu või tooteid kiiremini ja mugavamalt. See on vastastikku kasulik lahendus: ettevõtted teenivad rohkem, kliendid saavad parema kasutajakogemuse.

Tuleta meelde:

Mille poolest erinevad sisupõhised ja koostööpõhised soovitussüsteemid?

Mis on hübriidsoovitussüsteemide eeliseks?