More

    Hogyan működik az Instagram ajánlási rendszer

    Az Instagram algoritmus fejlesztője, Amog Mahapatra cikket publikált, amelyben a különféle ajánlások értékéről és a közösségi hálózat ajánlási rendszerének működéséről beszélt.

    Az ilyen rendszerek fő dilemmája az, hogy értékeljük-e őket a prediktív pontosság szempontjából, vagy a felhasználói preferenciák kiszélesítésére összpontosítanak-e.

    Más szavakkal – csak azt mutassa meg, amit a felhasználók szeretnek, vagy bővítse tapasztalatait azáltal, hogy kevesebbet kínál a kedvenceiből?

    Amog Mahapatra 2 szimulált forgatókönyvet vizsgált meg dinamikus környezetben.

    Felhasználói beállítások dinamikus környezetben

    Például a felhasználó az akciófilmeket és a vígjátékokat részesíti előnyben. Ezeket a preferenciákat két golyó jelzi az urnában, a piros (akciófilmek) és a szürke (vígjáték). Tegyük fel, hogy kezdetben a felhasználó egyformán preferálja őket. Az alábbiakban két egyszerű modell látható a preferenciák dinamikus fejlődéséről.

    Személyre szabás

    Ebben a modellben a felhasználó véletlenszerűen kihúz egy labdát az urnából, és megnéz egy megfelelő műfajú filmet. Megtekintés után visszateszi, és hozzáad egy másik ugyanolyan színű labdát. Ha egy személy az első esetben piros labdát választott, a következő szakaszban két piros és egy szürke golyó lesz az urnában.

    Ez a modell pozitívan erősíti a felhasználó választását, vagyis jobban megmutatja, mit szeret.

    Több ezer ilyen manipuláció után az urnát egy színnel töltik meg, és nagyon nehéz lesz még egy színt hozzáadni, akár véletlenszerűen is.

    Ezt a folyamatot “Polya urna modell” (Pólya urna modell) néven ismerjük. Ez egy nagyszerű játékmodell az önerősítő dinamikus rendszerek megértéséhez. Ugyanolyan valószínű útfüggő eredményeik vannak. De nem számít, melyik utat választják, egyensúlyi állapotban (végtelen manipulációk után) az egyik lehetőség erőteljesen uralja a másikat.

    Hasonlóképpen, ha a felhasználónak egyszerűen többet mutatnak meg abból, amit jelenleg előnyben részesítenek, akkor egy kis kijelölési helyre szorulhat.

    Egyensúly

    A második modellben egy golyót véletlenszerűen eltávolítunk egy urnából, visszahelyezzük, és egy másik ellenkező színű labdát adunk hozzá. Például, ha piros gömböt választottak, a következő esetben egy vörös gömb és két szürke golyó lesz az urnában.

    Ez a modell negatívan erősíti a felhasználó választását, vagyis kevésbé mutatja meg, mit szeret .

    Végül, végtelen számú manipuláció után, mindegyik szín egyenlő arányban található meg az urnában. Ezt a folyamatot kiegyensúlyozásnak nevezik.

    A kiegyensúlyozó folyamatok nagyszerű játékmodellek az önkiegyensúlyozó dinamikus rendszerek számára. Egy ilyen rendszerben a felhasználó a lehetséges opciók nagyobb készletét mutatja be.

    Az eredmény két ellentétes rendszer, amelyek közül az első a felhasználói preferenciákon alapul. Ez vonzóbb, de végül unalomhoz, elkötelezettség elvesztéséhez és fokozott preferenciához vezet.

    A másik rendszer nem vezet azonnali interakcióhoz, de jó a hosszú távú sokszínűség fenntartásához.

    Milyen modellt követ az Instagram ajánlási rendszer?

    Hogyan válasszuk ki a „középső utat” ezek között a szélsőségek között, hosszú távon, kevés rövid távú kompromisszummal, kifizetődő tapasztalatok létrehozásában.

    OLVASS TOVÁBB:  Социальные боты и способы их обнаружения

    Először meg kell értenie néhány alapot.

    A való világ preferenciái

    A játékmodellekben a preferenciákat egyszerűen úgy lehet meghatározni, mint az urna golyóit: statikus, pontos és egydimenziós. A valóságban a preferenciáknak a következő nehézségeik vannak:

    Multidimenzionalitás: a felhasználó egyformán valószínűbb, hogy mélyebben részt vesz a “fekete komédiában”, amely thrillert és általános komédia elemeket egyaránt tartalmaz.

    Lágyság: a felhasználó különböző mértékű ragaszkodást mutathat a tartalom típusaihoz, például 35% -a komédiához, 99% -a sporthoz kapcsolódik.

    Kontextus: A preferenciákat a korábbi választási halmaz, a bemutatás módja, az aktuális trendek és sok más tényező alapján kontextusba helyezzük.

    Dinamikus: Ami a legfontosabb, hogy a beállítások az idő múlásával változnak. Akit szeretnek a történelmi dokumentumfilmek manapság, egy hónap múlva nem biztos, hogy érdekli őket.

    A diverzifikáltabb felhasználói élmény biztosítása érdekében, szigorú mennyiségi és minőségi értékelések alapján, Amog Mahapatra több gyakorlati diverzifikációs technikát is áttekintett.

    OLVASS TOVÁBB:  18 reklám, amelyet a márkák karácsonykor és újévkor adtak ki

    Az Instagram diverzifikálásának gyakorlati módszerei

    1. Sokszínűség szerzői szinten: mi van, ha ugyanaz a szerző továbbra is többször szerepel ugyanazon felhasználói munkamenetben? A rangsorolt jelöltek kiválasztása a különböző szerzők között egyszerűbb rétegzéssel javíthatja az általános felhasználói élményt.

    2. Médiatípus szint: heterogén platformhoz, amely számos médiatípust támogat, például fényképeket, albumokat, rövid videókat, hosszú videókat stb. A legjobb, ha lehetőleg diverzifikálja a médiatípusokat a konzisztencia szempontjából.

    Például, ha egy rangsorolási algoritmus 3 videót, majd 2 fényképet választ ki a megjelenítéshez, akkor ajánlatos fényképeket és videókat keverni, ha ez nem befolyásolja a teljes mennyiséget / minőséget.

    3. Szemantikus változatosság: a felhasználó több szerzőtől is kaphat ajánlott kosárlabda videókat egy munkamenet során. Ezt a fajta sokféleséget a legnehezebb fenntartani. A tartalmi szintű diverzifikálás legjobb módja, ha először egy magas színvonalú tartalommegértő rendszert fejlesztünk ki. Az Instagram olyan rendszereket hozott létre, amelyek bármilyen méretben megértik a fotókat, videókat és szövegeket. Részletes és általános megértést nyújthatnak a médiaelemről.

    4. Az ilyen szemantikus csomópontok tanulmányozása : a legtöbb tartalommegértő rendszer grafikon vagy fa formájában képviseli az ismereteket.

    Például a vadfotózás lehet egy alacsonyabb szintű fogalom, amely viszont kézművességhez vezet. Miután a rendszer megtanulta az alapfogalmakat, amelyek általában érdeklik a felhasználót, elmélyítheti a kutatást különböző irányokban:

    a) Kapcsolódó fogalmak tanulmányozása. Átvitt értelemben, ha a felhasználót érdekli a vadfotózás, akkor valószínűleg a fényképezés fő fogalma vagy a kapcsolódó fogalmak: festészet, utcai fotózás vagy „távoli rokonok” fogalmai, például lencse, kamera stb.

    b) Hosszú farok koncepció : Lehet, hogy a felhasználó soha nem találkozott több ezer olyan résfogalommal (pl. manga, néptáncfesztiválok, kemény tudományos fantasztikus filmek), amelyek érdekesek lehetnek az ilyen emberek számára. Tanulmányozásuk változatosabb tapasztalatokhoz vezethet.

    OLVASS TOVÁBB:  Hogyan lehet megtalálni és elemezni a YouTube versenytársait

    c) Multimodális elemek – többféle érdeklődési kört lefedő elemek. Például, ha a felhasználónak nagy az érdeklődése a gépi tanulás és a vadfotózás iránt, akkor talán a gépi tanulási technikáknak a vadak megőrzésére történő alkalmazásával kapcsolatos bejegyzés érdekes lehet számukra.

    Hogyan működik az Instagram ajánlási rendszer

    Így nézhet ki a felhasználó tudásgráfja, figyelembe véve a szemantikus csomópontok kiválasztását

    5. Hosszú távú és rövid távú preferenciák fenntartása: minden embernek vannak olyan dolgai, amelyek mindig érdekesek számukra, és amelyek érdekesek egy adott időben. Két külön prioritási sor fenntartása, amely a felhasználó hosszú és rövid távú érdekeit képviseli, hosszú távon jobb diverzifikációhoz vezethet.

    6. Kompromisszum algoritmusok használata: A kompromisszumos kutatás és a megerősítő tanuláson alapuló módszerek szisztematikus mechanizmust biztosíthatnak a felhasználói preferenciák diverzifikálásához. Íme néhány példa:

    a) epsilon-kapzsi algoritmus (vagy a “Többfegyveres banditák” algoritmusa): ebben a módszerben a rendszer szemantikai diverzifikáció nélkül személyre szabható, de időről időre a felhasználó véletlenszerűen egy szinte hasonló elemet mutat.

    b) a bizalom felső határa : tegyük fel, hogy a rendszer tudja, hogy a felhasználó mérsékelt érdeklődést mutatott egyes fogalmak iránt, de nem ismeri őket eléggé. Így a rendszer elegendő számú alkalommal megvizsgálhat minden mérsékelt felhasználói érdeklődésű fogalmat, mielőtt elegendő bizalommal bírna azok kizárására.

    7. A minőségi kompromisszum kiszámítása : Az Instagram olyan minőségi mutatókat értékel, mint az elégedettség és a felhasználói hangulat, mint a kvantitatív mutatókat, mint például a ROC görbe vagy az NDCG (rangsorolási minőségi mutató).

    A fejlesztők kvalitatív kutatásokat, felhasználói felméréseket, naplókutatásokat és egyebeket végeznek az ismételhetőség hűségének és toleranciájának, valamint a sokszínűség iránti vágynak a meghatározására.

    8. Negatív korlátozások : A felhasználók maguk sem szeretik az ismétlést, és néha (nem mindig) kifejezetten negatív véleményeket fognak adni. A negatív visszajelzés olyan felhasználói műveletekhez kapcsolódik, mint például a „nem érdekes” gombra kattintás vagy „kevesebb ilyen videó megjelenítése”.

    A rendszer ezeket a negatív jeleket figyelembe veszi és felhasználja. Ehhez speciális gépi tanulási modelleket hoztak létre, amelyek csökkentik a negatív vélemények számát. Ezeknek a modelleknek a hangolása önálló szimulátorokon és a felhasználói közvélemény-kutatások eredményeként kapott következtetésekre történik.

    OLVASS TOVÁBB:  Az SMM-vállalatok nyilvánosságának 2020-as minősítésének eredményei

    Következtetés

    Amog Mahapatra azt javasolja, hogy tartsa szem előtt ezeket a tényezőket, és optimalizálja a tartalmát, hogy az hosszú távon kielégíthesse a felhasználókat. Kizárólag rangsorolás-orientált mérőszámok (NDCG) vagy termékorientált mutatók (kedvelések) használata a felhasználók unalmához és leiratkozásához vezethet.

    Olvassa el még:

    Az Instagram 4 mutatót nevezett meg, amelyek befolyásolják a hírcsatornában található bejegyzések rangsorolását

    Az Instagram leírta, hogy a közösségi média algoritmusai hogyan választják ki a hírcsatornában megjelenítendő bejegyzéseket.

    Lakásfelújítás okosan – Tippek a gördülékeny felújításhoz

    Friss cikkek

    Аутстаффинг в IT: что это и как устроиться работать на аутстаффинг

    Аутстаффинг становится все более распространенной практикой в IT-сфере, «отжимая» популярность и клиентов у аутсорсинга. По мнению экспертов, в ближайшее время эта тенденция сохранится, и...

    NaZapad 16: как попасть в ТОП в бурже, не имея бюджета и опыта

    На практической конференции по продвижению на западных рынках NaZapad 16 Илья Гринько рассказал о том, как создал свой проект в бурже и попробовал его...

    BI-системы: что это и зачем они нужны бизнесу

    Вникаем в основы бизнес-аналитики04 марта 20216 минут66https://d2xzmw6cctk25h.cloudfront.net/post/2564/og_image/0de7185dc6e58fe6f536564315226e43.png Статья подготовлена экспертами факультета BI-аналитики GeekBrains. На международных рынках компании-гиганты работают с миллионами, десятками, а кто-то — и с...

    Kapcsolódó történetek

    HOZZÁSZÓLOK A CIKKHEZ

    Kérjük, írja be véleményét!
    írja be ide nevét

    Maradjon op - Ge a napi híreket a postaládájában