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:
- Nagy mennyiségű felhasználói interakciós adatot képes feldolgozni
- Gyorsan generál személyre szabott cikkajánlásokat
- Valós időben frissíti az ajánlásokat, ahogy a felhasználók interakcióba lépnek a tartalommal
- 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#
Személyre szabás: A kollaboratív szűrés használatával testreszabott ajánlásokat tudunk nyújtani hasonló felhasználók viselkedése alapján.
Valós idejű frissítések: Rendszerünk frissíti az ajánlásokat, ahogy a felhasználók interakcióba lépnek a tartalommal, biztosítva a relevanciát.
Skálázhatóság: A Spark és Redis használata lehetővé teszi, hogy rendszerünk hatékonyan kezeljen nagy mennyiségű adatot és felhasználót.
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:
- Többmodelles megközelítés: Különböző ajánlómodellek implementálása különböző tartalomtípusokhoz vagy felhasználói szegmensekhez.
- Tartalomalapú szűrés: A cikkek jellemzőinek beépítése az ajánlások javítása érdekében, különösen új vagy niche tartalmak esetén.
- 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!