"Вам может это понравиться": короткая фраза, за которой скрывается целая экосистема рекомендаций.
На конференции Урбан ML обсуждали, почему современные рекомендательные системы всё реже показывают действительно похожие товары, фильмы или песни - и к чему это приводит пользователям и бизнесу.
Как современные рекомендатели перестали быть похожими
Рекомендательные системы изначально задумывались так, чтобы подсовывать пользователю то, что похоже на уже понравившееся. Но в последние годы принцип "похожие вещи" всё чаще отступает на второй план.
Исследователи и практики на Урбан ML отмечают несколько причин такой трансформации: коммерческие приоритеты, борьба с застоем пользовательского опыта, а также рост числа целей, которые системы пытаются одновременно оптимизировать.
Сейчас алгоритмы одновременно учитывают удержание, монетизацию, разнообразие контента, рекламные метрики и даже правовые и этические ограничения.
В результате вместо очевидного "ещё один похожий товар" пользователь видит набор разнообразных и иногда неожиданных рекомендаций.
Еще одна важная причина - изменение самих данных и метрик. Раньше алгоритмы могли опираться на простые коллаборативные фильтры: пользователи, которые купили X, купили и Y. Сейчас к этим данным добавляют сигналы о сессиях, быстрой смене интересов, микродействиях в приложении.
Это усложняет картину: похожесть перестает быть единым и стабильным понятием, поскольку даже небольшие изменения в поведении пользователя меняют приоритеты модели. Наконец, рост стоимости вычислений и развитие моделей с глубокой кастомизацией привели к появлению гибридных систем, где "похожесть" - лишь один из множества факторов.
Комбинация эвристик, нейросетевых эмбеддингов и бизнес-правил часто даёт рекомендации, которые кажутся релевантными, но не обязательно похожими в классическом смысле.
Последствия для пользователей и платформ
Для пользователей такой переход может быть двояким. С одной стороны, разнообразие рекомендаций помогает открыть новые интересы и избежать монотонности.
Нестандартные предложения способны расширить привычный кругозор и повысить вовлечённость. С другой стороны, когда система перестает предлагать очевидные аналоги - тот самый "ещё одна похожая вещь" - пользователь может потерять ощущение предсказуемости и контроля.
Это особенно заметно в нишевых категориях, где важна точная корректность рекомендаций. Для бизнеса изменения тоже имеют две стороны. Платформы выигрывают за счёт увеличения удержания и увеличения среднего чека, когда пользователю предлагают разнообразные товары и новые категории.
Но есть риск падения конверсии в категориях, где покупатель ожидает увиденного аналога и быстро принимает решение. Соответственно, компании приходится балансировать между ростом метрик и поддержанием клиентского доверия к рекомендациям.
Почему "похожесть" стала сложнее определяться
Классическая похожесть строилась на явно заметных признаках: жанр, категория, описание. Сегодня же понятие расширилось благодаря эмбеддингам и многомерным представлениям контента.
Модель может считать два предмета похожими по эмоциональному отклису или контексту употребления, а не по очевидным атрибутам. Это значит, что "похожее" стало субъективней и зависит от того, какие сигналы модель считает приоритетными.
Еще один момент - контекст и время. Похожесть в утренней сессии может отличаться от похожести в ночной: пользователь ищет бодрящие треки утром и расслабляющие - вечером. Модели, которые пытаются учитывать контекст, часто "ломают" старые правила похожести, подстраиваясь под драмы моментального поведения, а не исторические шаблоны.
Кроме того, бизнес-цели влияют на определение похожести. Если платформа старается продвигать новые категории или собственные продукты, она будет смещать рекомендации в сторону инициатив компании.
Такие вмешательства делают выдачу менее "похожей" на то, что пользователь уже видел, но выгоднее для платформы.
Технические подходы и компромиссы
Инженеры используют гибридные архитектуры: комбинируют коллаборативные фильтры, содержательные методы и нейросетевые эмбеддинги.
Чтобы вернуть ощущение похожести, внедряют многоступенчатые пайплайны, где на ранних этапах генерируют несколько кандидатов по критерию похожести, а затем ранжируют их по бизнес-метрикам.
Такой подход позволяет сохранить релевантность и при этом не жертвовать коммерческими целями.
Другой путь - сегментация пользователей. Нечто, что работает для массовой аудитории, может проваливаться в нишевых группах.
Платформы всё чаще применяют персонализированные стратегии, где для некоторых сегментов приоритетом становится "похожесть", а для других - новизна и разнообразие.
Это требует дополнительных вычислительных ресурсов и грамотного A/B-тестирования, но в долгосрочной перспективе улучшает удовлетворённость клиентов. Наконец, используется явная обратная связь: кнопки "показать похожие", "ещё как это" и механизмы отрицания рекомендаций помогают вернуть контроль пользователю.
Это простой, но эффективный способ балансировки между автоматическими целями системы и реальными ожиданиями человека.
Как адаптироваться пользователю и бизнесу
Для пользователей главный совет - активнее взаимодействовать с интерфейсом: ставить лайки, сохранять, отвергать неподходящие предложения. Чем больше сигналов даёт человек, тем точнее модель понимает, что для него действительно "похоже".
Кроме того, полезно использовать функции фильтрации и категории "похожие товары", когда хочется увидеть именно аналоги. Для бизнеса рекомендация одна: тестировать и сегментировать.
Не существует универсального рецепта - оптимальная стратегия зависит от целевой аудитории и продукта.
Важны прозрачность и контроль: дать пользователю возможность выбирать между "похожим" и "новым". Также стоит инвестировать в объяснимость рекомендаций - когда пользователю видно, почему предложено то или иное, доверие увеличивается.
Менеджерам продуктов стоит помнить о балансе: слишком сильный акцент на монетизации может подрывать доверие клиентов, а полная ориентация на похожесть - ограничивать рост и открытие новых направлений.
Оптимальная модель - гибкая, персонализированная и понятная пользователю.
Короткие рекомендации для внедрения
Внедряя изменения, команды могут следовать простым шагам: измерять удовлетворённость пользователей отдельно для "похожих" и "новых" рекомендаций, запускать эксперименты с многоступенчатым ранжированием, добавлять опции явной обратной связи и сегментировать аудиторию по предпочтениям.
Эти меры помогут сохранить релевантность и одновременно увеличить вовлечённость. В итоге, уход от привычной "похожести" - не столько провал, сколько эволюция систем рекомендаций.
Они становятся сложнее и пытаются решать больше задач одновременно. Но при разумном подходе и внимании к пользователю можно сочетать лучшее из двух миров: давать и знакомые аналоги, и интересные открытия.