V květnu tohoto roku společnost Seznam.cz uspořádá workshop v anglickém jazyce s názvem „Recommendation Systems and User Representations” na vědecké konferenci Machine Learning Prague 2022. Účastníci setkání se seznámí se současným stavem výzkumu doporučovacích systémů, včetně architektur hlubokých neuronových sítí, které se v nich používají. Součástí semináře bude praktická část, během níž si účastníci budou schopni natrénovat hlubokou neuronovou síť, kterou aplikují na řešení problému doporučování zpráv na připravených datových sadách. Výklad i praktická část se pak zaměří na řešení vybraných praktických problémů doporučování, zejména řešení tzv. „cold start” problému pomocí metod reprezentace uživatele.
Náhled po pokličku doporučovacích systémů
Pokud jste nedávno navštívili jakýkoliv zpravodajský portál, tematicky zaměřené webové stránky nebo jste nakupovali v online obchodě, možná jste se setkali s nabídkou článků nebo produktů, které byly označené jako „oblíbené články”, „podobné produkty”, nebo dokonce „uživatelé, kteří si koupili tento produkt, měli zájem také o tyto produkty”. Ve všech případech vám tyto nabízené položky byly předloženy doporučovacími systémy (DS), které jsou v dnešní době poskytovateli online služeb v široké míře využívány.
Typický dotaz na vyhledávání zboží bez použití DS může vrátit stovky až tisíce položek (ilustrativní příklad vyhledání „pánské běžecké boty” na Zboží.cz)
Nabídky online služeb v poslední dekádě vzrostly více než o řád a počet položek (produktů online obchodu, článků na zpravodajském portálu atd.) nabízených jednotlivou online službou může být v řádech statisíců až milionů. Pro běžného uživatele internetu se výběr z tak velkého množství produktů a služeb stal velmi obtížným a nepříjemným úkonem – často citovaná psychologická studie z roku 2000 na základě dobře navržených experimentů došla k závěru, že příliš bohatá nabídka možností při rozhodování obvykle působí odpudivě. Doporučovací systémy byly navrženy jako odpověď technologických firem na tuto situaci. Správně navržený doporučovací systém zjednoduší a zefektivní uživatelův výběr cílových služeb a produktů. Uživatel tím získá pozitivní pocit z užívání služby, a to se s velkou pravděpodobností promítne do delšího času, který na stránkách poskytovatele služby stráví, do vyššího počtu služeb, položek, nebo produktů, které si prohlédne, a samozřejmě na výši tržeb, kterou poskytovatel služby zaznamená.
Historie doporučovacích systémů sahá do 70. let minulého století, kdy se začaly objevovat první vědecké články o metodách doporučování. Rychlý rozvoj DS a jejich masivní uvádění do provozu nastaly začátkem tisíciletí, tedy v době, kdy se velké e-commerce projekty začaly blížit profitabilitě. V poslední dekádě v DS jasně převládly přístupy založené na analýze dat a s nimi technologie strojového učení.
Společnost Seznam.cz využívá doporučovací systém na své obsahové síti od roku 2016 a od roku 2019 doporučování nabízí jako službu „Seznam Doporučuje” pro partnerské weby. Případová studie z roku 2019 uvádí 22% zvýšení čtenosti článků webu po zavedení služby do provozu.
Příklad dvou výstupů DS ze stránky www.seznam.cz – porovnání odkazů vygenerovaných bez informací o uživateli (levá část obrázku) s odkazy personalizovanými DS na míru uživateli (muž, 30 let, zájem o technologie a segment auto-moto).
Dalším výrazným dopadem překotného vývoje DS v poslední dekádě je neustále se zvyšující poptávka po IT profesionálech s expertní znalostí v oblasti strojového učení pro uplatnění v doporučovacích systémech. Například vyhledávání na pracovní příležitosti na profesní síti LinkedIn dotazem „recommendation technology” vrátí několik stovek pracovních příležitostí. Seznam.cz v této oblasti nabízí hned několik pozic.
Pracovní příležitosti na Linkedin.com vyhledané heslem „recommendation technology”.
