Személyre szabott tartalom támogatása: A Momspresso új ajánlórendszere

A mai tartalomgazdag digitális világban kulcsfontosságú a megfelelő tartalom eljuttatása a megfelelő felhasználóhoz a megfelelő időben. A Momspresso korábbi adatcsatorna-munkánkra építve most egy hatékony ajánlórendszert valósítottunk meg, amely személyre szabja a tartalmat a Momspresso millió felhasználója számára. Nézzük meg, hogyan építettük fel ezt a rendszert.

A kihívás #

A Momspresso-nak olyan ajánlórendszerre volt szüksége, amely:

1. Nagy mennyiségű felhasználói interakciós adatot képes feldolgozni
2. Gyorsan generál személyre szabott cikkajánlásokat
3. Valós időben frissíti az ajánlásokat, ahogy a felhasználók interakcióba lépnek a tartalommal
4. Skálázható milliós nagyságrendű felhasználó és cikk kezelésére

Megoldásunk: Spark-alapú ajánlórendszer #

Egy többkomponensű ajánlórendszert terveztünk, amely kihasználja a korábban kiépített adatcsatornánkat:

1. Adatgeneráló szkriptek #

Az adatcsatornánk eseménytárát felhasználva szkripteket hoztunk létre az ajánlómodellünk tanítóhalmazának generálásához. Ez lehetővé teszi, hogy valós felhasználói interakciós adatokat használjunk a modellünk betanításához.

2. Spark ML-lib a modell betanításához #

Spark ML-lib alapú rendszert állítottunk fel a modell betanításához. Jelenleg kollaboratív szűrést használunk, amely gyorsan betanítható mindössze 3-4 nap adatával. Ez lehetővé teszi, hogy gyakran frissítsük a modellünket, biztosítva ajánlásaink relevanciáját.

3. Ajánló webszolgáltatás #

Építettünk egy webszolgáltatást, amely felhasználói azonosítók alapján szolgáltat cikkajánlásokat. A modell memóriába töltésének magas késleltetésének kezelésére Redis használatával gyorsítótárazási stratégiát valósítottunk meg. Ez biztosítja az ajánlásaink gyors válaszidejét.

4. Ajánlás törlő szolgáltatás #

Az ajánlások frissen tartása érdekében implementáltunk egy szolgáltatást, amely eltávolítja a már megtekintett cikkeket a felhasználó ajánlásai közül. Ez a szolgáltatás kapcsolódik a Kafka-hoz és figyeli a megtekintési eseményeket, valós időben frissítve az ajánlásokat.

Ajánlórendszerünk főbb jellemzői #

1. Személyre szabás: A kollaboratív szűrés használatával testreszabott ajánlásokat tudunk nyújtani hasonló felhasználók viselkedése alapján.

2. Valós idejű frissítések: Rendszerünk frissíti az ajánlásokat, ahogy a felhasználók interakcióba lépnek a tartalommal, biztosítva a relevanciát.

3. Skálázhatóság: A Spark és Redis használata lehetővé teszi, hogy rendszerünk hatékonyan kezeljen nagy mennyiségű adatot és felhasználót.

4. Rugalmasság: Moduláris tervezésünk lehetővé teszi, hogy könnyen lecseréljük az ajánló algoritmust vagy új funkciókat adjunk hozzá a jövőben.

Megvalósítás és eredmények #

Az ajánlórendszer integrálása a Momspresso platformjával egyszerű volt. Egy kis konfigurációs változtatást végeztünk az Nginx-ben, hogy az új ajánló webszolgáltatásunkat használja API-ként az egyik hírcsatornához a produkciós weboldalon.

A korai eredmények ígéretesek:

• Növekvő elkötelezettség: A felhasználók több időt töltenek a platformon, több cikket olvasnak el munkamenetenként.
• Javuló felfedezés: A felhasználók szélesebb körű tartalmat találnak és lépnek vele interakcióba.
• Fokozott felhasználói elégedettség: A kezdeti visszajelzések azt mutatják, hogy a felhasználók értékesnek találják a személyre szabott ajánlásokat.

Előretekintés #

Ahogy folyamatosan finomítjuk ajánlórendszerünket, több jövőbeli fejlesztést is tervezünk:

1. Többmodelles megközelítés: Különböző ajánlómodellek implementálása különböző tartalomtípusokhoz vagy felhasználói szegmensekhez.
2. Tartalomalapú szűrés: A cikkek jellemzőinek beépítése az ajánlások javítása érdekében, különösen új vagy niche tartalmak esetén.
3. A/B tesztelési keretrendszer: Egy rendszer kiépítése a különböző ajánlási stratégiák egyszerű teszteléséhez.

Az ajánlórendszerünk folyamatos fejlesztésével segítjük a Momspresso-t, hogy több értéket nyújtson felhasználóinak, elkötelezve őket és visszahozva őket még több személyre szabott tartalomért.

Maradjon velünk következő bejegyzésünkig, ahol arról beszélünk majd, hogyan használjuk az adatcsatornát és az ajánlórendszert a Momspresso tartalomstratégiájához szükséges gyakorlati betekintések nyeréséhez!