Personalisierte Inhalte ermöglichen: Momspressos neue Empfehlungsmaschine

Inhaltsverzeichnis

In der heutigen inhaltsreichen digitalen Welt ist es entscheidend, dem richtigen Nutzer zur richtigen Zeit die richtigen Inhalte zu liefern. Aufbauend auf unserer früheren Arbeit an Momspressos Daten-Pipeline haben wir nun eine leistungsstarke Empfehlungsmaschine implementiert, die Inhalte für Millionen von Momspresso-Nutzern personalisiert. Lassen Sie uns einen Blick darauf werfen, wie wir dieses System aufgebaut haben.

Die Herausforderung #

Momspresso benötigte ein Empfehlungssystem, das:

Große Mengen an Nutzerinteraktionsdaten verarbeiten kann
Schnell personalisierte Artikelempfehlungen generiert
Empfehlungen in Echtzeit aktualisiert, wenn Nutzer mit Inhalten interagieren
Skalierbar ist, um Millionen von Nutzern und Artikeln zu bewältigen

Unsere Lösung: Eine Spark-betriebene Empfehlungsmaschine #

Wir haben ein mehrteiliges Empfehlungssystem entwickelt, das die von uns zuvor erstellte Daten-Pipeline nutzt:

1. Datengenerierungsskripte #

Mithilfe des Event-Speichers aus unserer Daten-Pipeline haben wir Skripte erstellt, um den Trainingsdatensatz für unser Empfehlungsmodell zu generieren. Dies ermöglicht es uns, echte Nutzerinteraktionsdaten zum Training unseres Modells zu verwenden.

2. Spark ML-lib für das Modelltraining #

Wir haben ein auf Spark ML-lib basierendes System für das Modelltraining eingerichtet. Derzeit verwenden wir kollaboratives Filtern, das mit nur 3-4 Tagen Daten schnell trainiert werden kann. Dies ermöglicht es uns, unser Modell häufig zu aktualisieren und sicherzustellen, dass unsere Empfehlungen relevant bleiben.

3. Empfehlungs-Webservice #

Wir haben einen Webservice entwickelt, der Artikelempfehlungen basierend auf Nutzer-IDs bereitstellt. Um die hohe Latenz beim Laden des Modells in den Speicher zu adressieren, haben wir eine Caching-Strategie mit Redis implementiert. Dies gewährleistet schnelle Antwortzeiten für unsere Empfehlungen.

4. Lösch-Empfehlungsservice #

Um die Empfehlungen aktuell zu halten, haben wir einen Service implementiert, der angesehene Artikel aus den Empfehlungen eines Nutzers entfernt. Dieser Service verbindet sich mit Kafka und hört auf View-Events, um die Empfehlungen in Echtzeit zu aktualisieren.

Hauptmerkmale unserer Empfehlungsmaschine #

Personalisierung: Durch die Verwendung von kollaborativem Filtern können wir maßgeschneiderte Empfehlungen basierend auf dem Verhalten ähnlicher Nutzer bereitstellen.
Echtzeit-Updates: Unser System aktualisiert Empfehlungen, wenn Nutzer mit Inhalten interagieren, um Relevanz sicherzustellen.
Skalierbarkeit: Die Verwendung von Spark und Redis ermöglicht es unserem System, große Daten- und Nutzermengen effizient zu verarbeiten.
Flexibilität: Unser modulares Design ermöglicht es uns, den Empfehlungsalgorithmus einfach auszutauschen oder in Zukunft neue Funktionen hinzuzufügen.

Implementierung und Ergebnisse #

Die Integration der Empfehlungsmaschine in Momspressos Plattform war unkompliziert. Wir haben eine kleine Konfigurationsänderung in Nginx vorgenommen, um unseren neuen Empfehlungs-Webservice als API für einen der Feeds auf der Produktionswebsite zu verwenden.

Die ersten Ergebnisse sind vielversprechend:

Erhöhtes Engagement: Nutzer verbringen mehr Zeit auf der Plattform und lesen mehr Artikel pro Sitzung.
Verbesserte Entdeckung: Nutzer finden und interagieren mit einer größeren Vielfalt an Inhalten.
Gesteigerte Nutzerzufriedenheit: Erste Rückmeldungen deuten darauf hin, dass Nutzer die personalisierten Empfehlungen als wertvoll empfinden.

Ausblick #

Während wir unsere Empfehlungsmaschine weiter verfeinern, freuen wir uns auf mehrere zukünftige Verbesserungen:

Multi-Modell-Ansatz: Implementierung verschiedener Empfehlungsmodelle für unterschiedliche Inhaltstypen oder Nutzersegmente.
Inhaltsbasiertes Filtern: Einbeziehung von Artikelmerkmalen zur Verbesserung der Empfehlungen, insbesondere für neue oder Nischeninhalte.
A/B-Test-Framework: Aufbau eines Systems zum einfachen Testen verschiedener Empfehlungsstrategien.

Durch die kontinuierliche Verbesserung unserer Empfehlungsmaschine helfen wir Momspresso, ihren Nutzern mehr Wert zu bieten, sie zu engagieren und sie dazu zu bringen, für mehr personalisierte Inhalte zurückzukehren.

Bleiben Sie dran für unseren nächsten Beitrag, in dem wir diskutieren werden, wie wir die Daten-Pipeline und die Empfehlungsmaschine nutzen, um umsetzbare Erkenntnisse für Momspressos Inhaltsstrategie abzuleiten!