Historia systemów rekomendacji: od list rankingowych do modeli głębokich
Źródło: User:Wiso, domena publiczna, Wikimedia Commons
Spis treści
Rozwój systemów rekomendacji przebiegał etapami, w których kolejne generacje metod odpowiadały na ograniczenia poprzednich rozwiązań. Poniższa oś czasu porządkuje najważniejsze etapy tego rozwoju w ujęciu koncepcyjnym, bez odwoływania się do konkretnych dat wdrożeń komercyjnych.
Początki: listy rankingowe i reguły statyczne
Najwcześniejsze mechanizmy rekomendacji opierały się na prostych listach popularności — produkty lub treści sortowano według liczby wyświetleń, sprzedaży lub ocen. Podejście to nie uwzględniało indywidualnych preferencji użytkownika, oferując tym samym zestaw treści identyczny dla wszystkich odbiorców. Mimo prostoty, mechanizm list rankingowych jest nadal stosowany jako element uzupełniający w wielu współczesnych systemach, np. w sekcjach „popularne teraz”.
Era filtracji kolaboratywnej
Kolejnym etapem było wprowadzenie filtracji kolaboratywnej — metody opierającej się na założeniu, że użytkownicy o podobnych zachowaniach w przeszłości będą mieli podobne preferencje w przyszłości. Szczegółowy opis mechanizmu tej metody znajduje się w artykule Filtracja kolaboratywna: zasady działania i ograniczenia. Podejście to pozwoliło na personalizację rekomendacji bez konieczności ręcznego opisywania cech poszczególnych produktów.
Faktoryzacja macierzy i systemy hybrydowe
Wraz ze wzrostem skali danych, klasyczne metody filtracji kolaboratywnej zaczęły napotykać ograniczenia związane z rzadkością macierzy interakcji użytkownik-produkt. Odpowiedzią na ten problem stały się metody faktoryzacji macierzy, redukujące wymiarowość danych do ukrytych czynników opisujących zarówno użytkowników, jak i produkty. Równolegle rozwijały się podejścia hybrydowe łączące filtrację kolaboratywną z metodami opartymi na cechach treści — zestawienie obu podejść opisano w artykule Content-based filtering a filtracja kolaboratywna.
Wejście uczenia głębokiego
Rozwój sieci neuronowych umożliwił modelowanie znacznie bardziej złożonych zależności między użytkownikami, produktami oraz kontekstem interakcji (np. porą dnia, urządzeniem, sekwencją poprzednich działań). Modele oparte na sieciach neuronowych pozwoliły na jednoczesne uwzględnienie wielu typów sygnałów wejściowych, czego klasyczne metody macierzowe nie umożliwiały w praktyczny sposób.
Współczesne architektury dwuetapowe
Obecnie dominującym wzorcem projektowym w systemach rekomendacji na dużą skalę jest architektura dwuetapowa, łącząca szybki etap generowania kandydatów z bardziej kosztownym obliczeniowo etapem precyzyjnego rankingu. Szczegółowy opis tej architektury znajduje się w artykule Architektura dwuetapowa: generowanie kandydatów i ranking.
Znaczenie kontekstu historycznego
Zrozumienie kolejnych etapów rozwoju systemów rekomendacji pomaga w ocenie, dlaczego współczesne architektury przyjmują określoną strukturę. Wiele decyzji projektowych — takich jak podział na etap generowania kandydatów i etap rankingu — wynika bezpośrednio z ograniczeń napotkanych na wcześniejszych etapach rozwoju tej dziedziny.