เอ็นจิ้นแนะนำเนื้อหาทำงานอย่างไร

ในขณะที่ผู้เข้าชมเว็บไซต์ท่องอินเทอร์เน็ต พวกเขาได้ทิ้งข้อมูลพฤติกรรมไว้จำนวนมหาศาล เช่น หน้าที่เยี่ยมชม สิ่งที่พวกเขาคลิก และสิ่งที่พวกเขาแชร์บนโซเชียลมีเดีย จากการทดสอบ เราได้เปรียบเทียบอัลกอริธึมต่าง ๆ และพบวิธีค้นหาว่าโฆษณาใดมีความเป็นไปได้สูงที่จะถูกคลิก

นึกย้อนไปตอนเพื่อนของคุณแนะนำหนังให้คุณดูในช่วงสุดสัปดาห์ เคล็ดลับของพวกเขาขึ้นอยู่กับสิ่งที่พวกเขารู้ว่าคุณชอบ สิ่งที่พวกเขาชอบ และสมมติฐานพื้นฐานของความคล้ายคลึงกันของคุณหรือบริบทปัจจุบันของการสนทนาของคุณหรือไม่

ทุกวันนี้ ในเกือบทุกปลายทางออนไลน์ ตั้งแต่ร้านค้าอีคอมเมิร์ซไปจนถึงโรงภาพยนตร์ออนไลน์และแพลตฟอร์มโซเชียล มีระบบการแนะนำที่มีหน้าที่ในการดูพฤติกรรมของผู้ใช้จากเบื้องหลังและแนะนำรายการที่พวกเขาน่าจะมีส่วนร่วมมากที่สุด

ยักษ์ใหญ่ออนไลน์ทุกรายมุ่งมั่นที่จะให้บริการการแนะนำที่เกี่ยวข้องและเป็นส่วนตัวมากที่สุดแก่ผู้ใช้ของตนให้ดียิ่งขึ้น ในบทความนี้ คุณจะได้ดูระบบตัวแนะนำประเภทต่าง ๆ อัลกอริธึมการกรอง และวิธีการทำงานของเอ็นจิ้นการแนะนำเนื้อหาของ MGID

เอ็นจิ้นการแนะนำเนื้อหาคืออะไร

ระบบแนะนำเนื้อหาจะช่วยสังเกตพฤติกรรมของผู้ใช้และคาดการณ์ว่าสิ่งใดที่ผู้ใช้คนเดียวกันนี้จะตอบสนองด้วย โดยพื้นฐานแล้วสิ่งเหล่านี้จะช่วยสร้างประสบการณ์ส่วนตัวที่ให้ความรู้สึกเหมือนเป็นเพื่อนที่รู้จักคุณ คุณชอบอะไร คนอื่นชอบอะไร และเข้าใจว่ามีตัวเลือกใดบ้างสำหรับคุณ

การคลิกของผู้ใช้ การซื้อ การรับชม พฤติกรรมการอ่าน หรือการกระทำอื่น ๆ สามารถแสดงเป็นภาพกราฟิกเป็นการเชื่อมต่อระหว่างผู้ใช้ด้านหนึ่งกับเนื้อหาหรือรายการในอีกด้านหนึ่งได้ แต่ละบรรทัดหมายความว่าผู้ใช้ซื้อ ดู หรือคลิกรายการใดรายการหนึ่ง ในบางระบบ การเชื่อมต่อเหล่านี้อาจแตกต่างกันไปตามความแข็งแกร่ง ตัวอย่างเช่น พวกเขาอาจระบุจำนวนครั้งที่ซื้อสินค้าหรือการจัดเรตภาพยนตร์ในระดับ 1 ถึง 10 ดังนั้น ปัญหาคือการระบุว่าสามารถเพิ่มเส้นที่ไม่รู้จักอื่น ๆ ลงในกราฟนี้และคาดการณ์ความแข็งแกร่งของเส้นเหล่านั้นได้

ระบบตัวแนะนำมีอยู่สองประเภท ประเภทแรกจะขึ้นอยู่กับรายการหรือการกรองผู้ใช้ อัลกอริธึมการกรองตามผู้ใช้ ค่อนข้างตรงไปตรงมา พวกเขาเพียงแค่เลือกผู้ใช้รายอื่นที่มีความสนใจหรือรูปแบบพฤติกรรมที่คล้ายคลึงกัน จากนั้นวิเคราะห์ว่ารายการใดบ้างที่ผู้ใช้ที่คล้ายคลึงกันนี้ได้เลือก และแนะนำสิ่งเหล่านี้ให้กับผู้ใช้รายใหม่

แต่ อัลกอริธึมตามรายการ จะทำหน้าที่มองหารายการที่เกี่ยวข้องในแคตตาล็อกแทน ในที่นี้ คำว่า 'ที่เกี่ยวข้อง' ควรพิจารณาเป็นรายกรณีไป บ่อยครั้ง อาจหมายความว่ารายการ A ถูกเลือก (ซื้อ คลิก ดู ฯลฯ) โดยมีความถี่ที่สูงผิดปกติโดยผู้ใช้ที่เลือกรายการ B (รายการที่เกี่ยวข้อง) ด้วย

ประวัติของเอ็นจิ้นแนะนำ

ในปี 1998 ตอนที่พวกเขายังคงขายหนังสือออนไลน์เป็นหลัก Amazon ได้เปิดตัวเอ็นจิ้นแนะนำแบบรายการต่อรายการที่เรียบง่ายมาก อัลกอริธึมแรกของพวกเขาใช้การกรองร่วมกันและแนะนำรายการใหม่สำหรับการซื้อโดยพิจารณาจากสิ่งที่ผู้ใช้มีอยู่แล้วในรถเข็นช็อปปิ้ง ฟีเจอร์นี้ได้รับการตอบรับอย่างดีจากผู้ใช้ และตั้งแต่นั้นมาระบบตัวแนะนำก็ได้รับความนิยมทั่วทั้งเว็บ

ภายในปี 2003 Amazon และผู้ให้บริการอีคอมเมิร์ซรายใหญ่รายอื่น ๆ ได้พัฒนาฟีเจอร์นี้อย่างซับซ้อน: โดยในขณะนี้ตัวเอ็นจิ้นสามารถให้คำแนะนำโดยอ้างอิงจากการซื้อและรายการต่าง ๆ ในอดีตของผู้ใช้ที่เรียกดูในร้าน หน้าผลการค้นหาจะมีอัลกอริธึมที่แตกต่างกัน ซึ่งมีรายการที่เกี่ยวข้องกับการค้นหามากขึ้น หน้าอื่น ๆ ก็จะมีเนื้อหาแนะนำบ้างในบางรายการ ซึ่งรวมถึงหน้าที่เรียกดู หน้ารายละเอียดผลิตภัณฑ์ และอื่น ๆ ในเวลานั้น ประมาณ 30% ของการเปิดดูหน้าเว็บทั้งหมดใน Amazon มาจากระบบตัวแนะนำ

จากนั้นผู้เล่นออนไลน์ในด้านความบันเทิง การเดินทาง และกลุ่มเฉพาะอื่น ๆ ก็เริ่มใช้อัลกอริทึมการแนะนำมากขึ้น เน็ตฟลิกซ์ ได้ใช้ฟีเจอร์นี้อย่างกว้างขวางจนในปี 2006 พวกเขาได้ประกาศการแข่งขัน ML สำหรับปัญหาการคาด การณ์เรตภาพยนตร์ นั่นคือรางวัล Netflix พวกเขาเสนอเงิน 1 ล้านดอลลาร์เพื่อปรับปรุงความแม่นยำของระบบแนะนำภาพยนตร์ โซลูชันและอัลกอริธึมต่าง ๆ ได้รับการประเมินโดยพิจารณาจากวิธีที่สามารถลดข้อผิดพลาดของค่าเฉลี่ยรากที่สอง (RMSE) ของการให้คะแนนที่คาดการณ์ไว้ โดยกำหนดให้การลดลง 10% เป็นเป้าหมาย

ในที่สุด ในปี 2010 ผู้เผยแพร่สื่อดิจิทัลและเว็บไซต์ข่าวก็เริ่มใช้ การแนะนำการค้นเนื้อหา เพื่อแนะนำบทความเพิ่มเติมแก่ผู้เข้าชมตามพฤติกรรมหรือความสนใจในสถานที่ บทความที่ถูกแนะนำเหล่านี้สามารถนำไปสู่เนื้อหาจากไซต์เดียวกันหรือไปยังไซต์อื่น แสดงเนื้อหาวิดีโอ หรือดูตัวอย่างรูปแบบเว็บอื่น ๆ ได้

คำแนะนำในไซต์สามารถเพิ่มการมีส่วนร่วมของผู้ใช้กับไซต์ของผู้เผยแพร่โฆษณาได้ และการออกจากไซต์ ในขณะที่คำแนะนำนอกไซต์ใช้เพื่อส่งเสริมโครงการเนื้อหาภายนอก โฆษณาผลิตภัณฑ์ และสร้างโอกาสในการขาย

ในทุกวันนี้ ผู้เผยแพร่โฆษณาได้เพิ่มการแนะนำการค้นเนื้อหาในหลากหลายวิธี ตั้งแต่การใช้ปลั๊กอินง่าย ๆ ไปจนถึงแพลตฟอร์มเฉพาะที่มีฟังก์ชันการทำงานที่หลากหลาย ตัวอย่างหนึ่งคือแพลตฟอร์มของ MGID ที่เสนอวิดเจ็ตการแนะนำเนื้อหาเป็นรายแรก ซึ่งเป็นรูปแบบที่ได้รับความนิยมสูงสุดในปัจจุบัน

เอ็นจิ้นแนะนำบางส่วน (ส่วนใหญ่เป็นปลั๊กอิน) อิงตามการวิเคราะห์คำสำคัญและทำการแท็กเพื่อแนะนำเนื้อหาที่คล้ายคลึงกันให้กับที่ผู้ใช้กำลังใช้งานอยู่ เอ็นจิ้นอื่น ๆ จะตรวจสอบพฤติกรรมของผู้ใช้ วิธีที่พวกเขามีส่วนร่วมกับเนื้อหาที่แตกต่างกัน ความสนใจของพวกเขา และข้อมูลประชากรทางสังคมเพื่อให้คำแนะนำ

การทำงานร่วมกันกับการกรองตามเนื้อหา

มีสองวิธีทั่วไปในการสร้างอัลกอริธึมการแนะนำ การกรองตามเนื้อหาและการกรองการทำงานร่วมกัน

การกรองตามเนื้อหา จะติดป้ายกำกับแต่ละรายการหรือผู้ใช้ด้วยคุณลักษณะบางอย่างและจากนั้นจึงทำการพิจารณาคุณลักษณะเหล่านี้ โดยตั้งสมมติฐานเกี่ยวกับความคล้ายคลึงกัน คุณจะต้องรู้จักผลิตภัณฑ์หรือผู้ชมเป็นอย่างดีเพื่อคาดเดาเกี่ยวกับผลิตภัณฑ์เหล่านั้น ตัวอย่างเช่น เครื่องมือแนะนำจะต้องรู้ประเภทภาพยนตร์เฉพาะของภาพยนตร์ ประเทศต้นกำเนิด ผู้กำกับ วันที่ออกฉาย ฯลฯ เพื่อสรุปว่ามีความคล้ายคลึงกันและจะทำการแนะนำอย่างใดอย่างหนึ่งเมื่อผู้ใช้แสดงความสนใจในอีกเรื่องหนึ่ง

ในทางตรงกันข้ามกับการกรองเนื้อหา ระบบการทำงานร่วมกัน ไม่ต้องการความเชี่ยวชาญด้านผลิตภัณฑ์อย่างลึกซึ้งหรือการจัดหมวดหมู่ที่กว้างขวางเพราะจะพิจารณาจากพฤติกรรมของผู้ใช้จริง คุณลักษณะหรือลักษณะเฉพาะจะถูกดึงโดยตรงจากข้อมูลในอดีตเกี่ยวกับการโต้ตอบที่ผ่านมาระหว่างผู้ใช้และรายการ เอ็นจิ้นพัฒนาเมทริกซ์ขนาดยักษ์พร้อมกับผู้ใช้และรายการ และระบุคลัสเตอร์ทั่วไปเพื่อให้คำแนะนำ นอกจากนี้ยังสามารถใช้เมตริกระยะทางที่เหมาะสมสำหรับการแยกตัวประกอบของเมทริกซ์อีกด้วย

ดังนั้น ระบบตัวแนะนำการทำงานร่วมกันสามารถแบ่งออกได้เป็นสองประเภท:

การกรองตามหน่วยความจำ

ระบบเหล่านี้มองจะหาความคล้ายคลึงกันแบบรายการต่อรายการหรือระหว่างผู้ใช้กับผู้ใช้ โดยพื้นฐานแล้ว จะให้คำแนะนำตามผู้ที่ซื้อ (หรือดู คลิก ฯลฯ) ผลิตภัณฑ์ A ที่ก็ซื้อผลิตภัณฑ์ B ระบบที่ใช้หน่วยความจำอาจมีความแม่นยำมาก แต่ต้องใช้คลัสเตอร์หลายมิติและสามารถปรับขนาดได้ยาก

การกรองตามตัวแบบ

ในที่นี้ อัลกอริทึมจะใช้การแยกตัวประกอบของเมทริกซ์: คุณต้องกำหนดคุณลักษณะ (พารามิเตอร์) และน้ำหนักจำนวนหนึ่งสำหรับคุณลักษณะเหล่านี้ เช่น สร้างแบบจำลองทางคณิตศาสตร์เพื่อทำนายความคล้ายคลึงของรายการ คุณต้องเลือกฟังก์ชันวัตถุประสงค์สำหรับตัวแบบด้วย เช่น โอกาสในการซื้อ

โดยสรุปแล้ว คุณสามารถใช้แบบจำลองตามเนื้อหาได้เมื่อคุณทราบถึงคุณลักษณะทั้งหมดที่เกี่ยวข้องกับรายการและผู้ใช้ ในทางกลับกัน การกรองที่ทำงานร่วมกันจะกระจายคำแนะนำโดยไม่มีความเชี่ยวชาญด้านผลิตภัณฑ์อย่างลึกซึ้ง หรือเมื่อมีความเป็นไปได้สูงที่จะได้ข้อสรุปที่มีอคติ เพื่อใช้ความเชี่ยวชาญด้านผลิตภัณฑ์ที่มีอยู่และหลีกเลี่ยงอคติที่อาจเกิดขึ้น เราสามารถใช้ การกรองแบบผสม ได้

เอ็นจิ้นแนะนำเนื้อหาของ MGID

อัลกอริธึมของ MGID จะเลือกโฆษณาแบบเนทีฟที่ผู้ใช้อาจสนใจมากที่สุดโดยพิจารณาจากพฤติกรรมในอดีตและบริบทปัจจุบันของหน้า ฟังก์ชันวัตถุประสงค์ที่เอ็นจิ้นตั้งค่าให้ปรับปรุงคือ CTR ของผู้ใช้ (อัตราการคลิกผ่าน) เช่น ระบบคาดการณ์โอกาสที่ผู้ใช้จะคลิกโฆษณาต่าง ๆ และแสดงโฆษณาที่มีความเป็นไปได้สูงที่สุด

อัลกอริทึมนั้นใช้ การกรองตามรายการแบบผสม เช่น ระบบตัวแนะนำจะทำการผสมผสานข้อมูลจากอัลกอริธึมตามเนื้อหา (โดยใช้หมวดหมู่เนื้อหาของหน้าเว็บและโฆษณา ข้อมูลประชากรทางสังคม ความสนใจของผู้ชม ฯลฯ) กับอัลกอริธึมตามพฤติกรรม (โดยใช้การดูหน้าเว็บ การคลิก และการแสดงผลในอดีตของผู้ใช้)

ความสำคัญของความสนใจของผู้ใช้ระยะสั้น

เมื่อสร้างระบบตัวแนะนำ เรามุ่งที่จะแยกแยะฟีเจอร์หรือพารามิเตอร์ที่สามารถช่วยให้เราสามารถแสดงโฆษณาที่เกี่ยวข้องและคุ้มค่าต่อการคลิกมากที่สุดได้ จากการทดลองและการทดสอบหลายครั้ง เราได้พิจารณาแล้วว่า ความสนใจของผู้ใช้ในระยะสั้น เช่น การสังเกตการกระทำล่าสุดของผู้ใช้บนไซต์ เช่น การคลิกและการดูหน้าเว็บ เป็นพารามิเตอร์ที่สำคัญที่สุดในการคาดคะเนว่าโฆษณาใดอาจได้รับการคลิก

ตัวอย่างเช่น โอกาสที่ผู้ใช้จะคลิกโฆษณาจากหมวดหมู่ใดหมวดหมู่หนึ่งจะเพิ่มขึ้น หากพวกเขาเพิ่งคลิกโฆษณาอื่นจากหมวดหมู่เดียวกัน การใช้ความสนใจของผู้ใช้ในระยะสั้นเป็นตัวคาดการณ์หลักในการเลือกคำแนะนำเนื้อหา เราสามารถเพิ่ม CTR เฉลี่ยได้ถึง 3.5% ในแคมเปญผลิตภัณฑ์และ 4.5% ในแคมเปญเนื้อหา

ระบบจะทำการอัปเดตทันทีตามข้อมูลใหม่เกี่ยวกับการคลิกของผู้ใช้และการเปิดดูหน้าเว็บ สำหรับตำแหน่งโฆษณาแต่ละตำแหน่งที่เป็นส่วนหนึ่งของบริบทของหน้าเว็บและการกระทำล่าสุดของผู้ใช้บนไซต์ เอ็นจิ้นแนะนำของ MGID จะค้นหาโฆษณาที่เกี่ยวข้องมากที่สุด กรองโฆษณาที่ซ้ำกันหรือถูกยกเลิกออก จากนั้นจะแสดงโฆษณาต่อผู้เข้าชม

ความใกล้ชิดของการกระทำที่สังเกตได้ในเวลาสำคัญ: หากผู้ใช้คลิกโฆษณาจากหมวดหมู่ใดหมวดหมู่หนึ่งเมื่อสองสามวันก่อน จะมีหลักฐานเพียงเล็กน้อยว่าโฆษณาจากหมวดหมู่เดียวกันจะมีประโยชน์สำหรับพวกเขาในปัจจุบัน ดังนั้นเราจึงระบุและจัดเก็บเฉพาะข้อมูลล่าสุดเกี่ยวกับพฤติกรรมของผู้ใช้เอาไว้

ความคิดเห็นสุดท้าย

บริษัทยักษ์ใหญ่ออนไลน์ทั้งหมดกำลังต่อสู้เพื่อทำให้ระบบแนะนำดียิ่งขึ้น ในแง่หนึ่ง รสนิยมและพฤติกรรมของผู้คนไม่สามารถถูกคาดเดาได้อย่างสมบูรณ์แบบ เพราะมีตัวแปรที่แตกต่างกันมากมายและพวกเขามักจะเปลี่ยนแปลงไปอยู่เสมอ อย่างไรก็ตาม การที่จะประมาณการจับคู่ที่น่าจะเป็นไปได้มากที่สุดและแสดงโฆษณาที่เกี่ยวข้องมากที่สุดโดยใช้การตั้งค่าและข้อมูลพฤติกรรมจำนวนมหาศาลมีความเป็นไปได้

ในโฆษณาแบบเนทีฟ เอ็นจิ้นแนะนำจะทำหน้าที่เป็นบุคคลที่สามที่สร้างสมดุลระหว่างความสนใจของผู้ใช้กับการตั้งค่าของผู้เผยแพร่โฆษณาและการกำหนดเป้าหมายของผู้โฆษณา วิธีนี้จะช่วยให้การแนะนำเนื้อหาแบบเนทีฟจะช่วยเพิ่มการมีส่วนร่วมของผู้อ่าน รวมทั้งทำให้เกิดการเปลี่ยนจากผู้ชมเป็นลูกค้าและการขายมากขึ้น

ตอนนี้เราได้กล่าวถึงพื้นฐานของวิธีการทำงานของระบบแนะนำเนื้อหาและการทำงานของ MGID แล้ว เราขอเชิญคุณให้ติดต่อเราและค้นหาว่าแพลตฟอร์มของ MGID จะสามารถช่วยธุรกิจออนไลน์ของคุณได้อย่างไร