Zainteresowanie usługami rekomendacyjnymi pojawiło się po konkursie Netflix Prize, organizowanym przez Netflix. Pod koniec lat 90. Netflix wysyłał kasety VHS pocztą. Później stworzyła serwis rekomendacji wideo online na żądanie. Z biegiem czasu firma musiała poprawić jakość rekomendacji i to właśnie w tym celu wymyślili w 2006 r. nagrodę Netflix Prize. Netflix został udostępniony w otwartym dostępie do zebranych danych - około 100 milionów znaków w pięciopunktowej skali z identyfikatorami użytkowników. Konkurs trwał prawie trzy lata. Zwycięzcy otrzymali nagrodę w wysokości $1 mln.
Netflix to teraz więcej niż platforma rekomendacyjna. Dziś jest to największy serwis filmowy. Ponadto firma zaczęła sama produkować treści. Światowej sławy gwiazdy Hollywood wzięły udział w tworzeniu serii „House of Cards” na zlecenie Netflix, a seria okazała się na tyle wysokiej jakości, że wielokrotnie była nagradzana prestiżowymi nagrodami: Emmys i Golden Globes. Dość nieoczekiwany zwrot w ewolucji usługi rekomendacji.
W ostatnich czasach serwisy rekomendacyjne zaczęli przenikać e-commerce. Do tej pory wdrożono najlepsze systemy rekomendacji dla kilku firm:
- Amazon.com jest sklepem internetowym, którego klienci mogą publikować recenzje produktów i oceniać je, co z kolei pomaga w wyborze właściwej jakości;
- Rich Relevance to polecana platforma do personalizacji wielokanałowej sklepów internetowych tworzonych przez deweloperów Amazon.com.
Na początku 2010 r. rekomendacje zostały wdrożone do portali społecznościowych. Na przykład algorytm Facebook oparty na polubieniach znajomych użytkownika zaczął polecać mu treści. Początkowo algorytm rekomendacji był raczej prymitywny i nie uwzględniał żadnego znaczenia społecznego. Od tego czasu minęło kilka lat, algorytm Facebooka był stale ulepszany i teraz działa naprawdę idealnie.
Wracając do Netflix, możemy powiedzieć, że przykład ewolucji tej firmy i jej usługi nie jest typowym przykładem ewolucji usług rekomendacyjnych, ale raczej wyjątkiem. Rozwój usług rekomendujących polega głównie na udoskonalaniu algorytmów rekomendacji. Wszystko zostało zrobione, aby zapewnić użytkownikom coraz dokładniejsze zalecenia, coraz częściej powodując pozytywną reakcję z ich strony.
W tym celu należy wyszkolić matematyczne algorytmy zaleceń. To podstawa uczenia maszynowego, a jednocześnie gwarant rozwoju usług rekomendacyjnych. Po pierwsze, podajemy pewien rodzaj rekomendacji, po którym otrzymujemy informacje zwrotne od użytkowników, wyciągamy wnioski, przekwalifikowujemy model matematyczny, ponownie pytamy lub pokazujemy coś, i znowu czeka nas jakaś odpowiedź. I tak dalej do nieskończoności.
Udoskonalenie algorytmów rekomendacji przebiega następująco:
- Ilość treści, które zalecamy - informacje, które warte do polecania
- Informacje, które znamy na temat treści. Im więcej o nim wiemy, tym lepiej. Zaczynając od autora książki lub artykułu i kończąc na liczbie postaci, zdjęć, jakie są kolory, jakie emocje powoduje artykuł.
- Informacje o użytkownikach. Ich płeć, wiek, kraj itd. Im więcej wiemy o użytkowniku, tym dokładniej możemy polecić mu treść.
- Rozwiązania interfejsu, które pomagają połączyć treści z użytkownikiem i zrozumieć reakcję użytkownika na nasze zalecenia.
Ogólnie rzecz biorąc, istnieją dwa główne typy systemów rekomendujących:
- Oparte na treści - użytkownik otrzymuje zalecenia podobne do tych, które ten użytkownik już w jakiś sposób doceniał, słuchał, wyglądał, a może nawet jadł.
- Filtrowanie grupowe - do rekomendacji wykorzystywana jest historia ocen zarówno użytkownika, jak i innych użytkowników.
Osobiście korzystam również z usług skierowań. Mam kilka ulubionych:
- Aplikacja treści Prismatic, która pozwala na łączenie różnych zainteresowań w jedną taśmę.
- The Spoke - serwis, który pozwala uzyskać rekomendacje filmów, książek, restauracji itd. na podstawie zainteresować zarówno Twoich, jak i Twoich followersów na platformie.
- Apple Music serwis muzyczny, który posiada opcje rekomendowania muzyki, które zapewniają spersonalizowane rekomendacje według Twoich preferencji muzycznych.
Jeśli mówimy o ewolucji już istniejących usług rekomendacyjnych, możemy śmiało powiedzieć, że ich duża część zajmuje się ulepszaniem swoich technologii i algorytmów, a tylko kilka usług rekomendacyjnych stało się platformą. Nowe usługi rekomendacyjne to w zasadzie aplikacje ściśle związane z trybem offline, gdy akcja jest wykonywana do otrzymania produktu lub usługi w trybie real life.