Personoidun sisällön voimistaminen: Momspresso'n uusi suositusmoottori

Nykypäivän sisältörikkaassa digitaalisessa maailmassa on ratkaisevan tärkeää toimittaa oikea sisältö oikealle käyttäjälle oikeaan aikaan. Rakentaen aiempaa työtämme Momspresso’n tietoputkessa, olemme nyt toteuttaneet tehokkaan suositusmoottorin, joka personoi sisältöä miljoonille Momspresso’n käyttäjille. Sukeltakaamme siihen, miten rakensimme tämän järjestelmän.

Haaste #

Momspresso tarvitsi suositusjärjestelmän, joka pystyisi:

1. Käsittelemään suuria määriä käyttäjien vuorovaikutustietoja
2. Luomaan personoituja artikkelisuosituksia nopeasti
3. Päivittämään suosituksia reaaliajassa käyttäjien vuorovaikuttaessa sisällön kanssa
4. Skaalautumaan käsittelemään miljoonia käyttäjiä ja artikkeleita

Ratkaisumme: Spark-pohjainen suositusmoottori #

Suunnittelimme monikomponenttisen suositusjärjestelmän, joka hyödyntää aiemmin rakentamaamme tietoputkea:

1. Tiedon luontiskriptit #

Käyttäen tietoputkemme tapahtumasäilöä, loimme skriptejä suositusmallin koulutusaineiston luomiseen. Tämä mahdollistaa todellisen käyttäjävuorovaikutustiedon käytön mallimme kouluttamiseen.

2. Spark ML-lib mallin koulutukseen #

Perustimme Spark ML-lib -pohjaisen järjestelmän mallin koulutukseen. Käytämme tällä hetkellä yhteistyösuodatusta, joka voidaan kouluttaa nopeasti vain 3-4 päivän tiedoilla. Tämä mahdollistaa mallimme säännöllisen päivittämisen, varmistaen suositustemme pysymisen relevantteina.

3. Suositus-verkkopalvelu #

Rakensimme verkkopalvelun, joka tarjoaa artikkelisuosituksia käyttäjätunnusten perusteella. Vastataksemme mallin muistiin lataamisen korkeaan viiveeseen, toteutimme välimuististrategian käyttäen Redisiä. Tämä varmistaa nopeat vastausajat suosituksillemme.

4. Suositusten poistopalvelu #

Pitääksemme suositukset tuoreina, toteutimme palvelun, joka poistaa katsotut artikkelit käyttäjän suosituksista. Tämä palvelu yhdistyy Kafkaan ja kuuntelee katselutapahtumia, päivittäen suosituksia reaaliajassa.

Suositusmoottorimme avainominaisuudet #

1. Personointi: Käyttämällä yhteistyösuodatusta voimme tarjota räätälöityjä suosituksia perustuen samankaltaisten käyttäjien käyttäytymiseen.

2. Reaaliaikaiset päivitykset: Järjestelmämme päivittää suosituksia käyttäjien vuorovaikuttaessa sisällön kanssa, varmistaen relevanssin.

3. Skaalautuvuus: Sparkin ja Redisin käyttö mahdollistaa järjestelmämme tehokkaan suurten tietomäärien ja käyttäjämäärien käsittelyn.

4. Joustavuus: Modulaarinen suunnittelumme mahdollistaa suositusalgoritmin helpon vaihtamisen tai uusien ominaisuuksien lisäämisen tulevaisuudessa.

Toteutus ja tulokset #

Suositusmoottorin integrointi Momspresso’n alustaan oli suoraviivaista. Teimme pienen konfiguraatiomuutoksen Nginx:ssä käyttääksemme uutta suositus-verkkopalveluamme API:na yhdelle tuotantosivuston syötteistä.

Varhaiset tulokset ovat olleet lupaavia:

• Lisääntynyt sitoutuminen: Käyttäjät viettävät enemmän aikaa alustalla, lukien enemmän artikkeleita istuntoa kohden.
• Parantunut löydettävyys: Käyttäjät löytävät ja sitoutuvat laajempaan sisältövalikoimaan.
• Parantunut käyttäjätyytyväisyys: Alustavat palautteet viittaavat siihen, että käyttäjät pitävät personoituja suosituksia arvokkaina.

Tulevaisuuden näkymät #

Jatkaessamme suositusmoottorimme hiomista, olemme innostuneita useista tulevista parannuksista:

1. Monimallinen lähestymistapa: Erilaisten suositusmallien toteuttaminen eri sisältötyypeille tai käyttäjäsegmenteille.
2. Sisältöpohjainen suodatus: Artikkeliominaisuuksien sisällyttäminen suositusten parantamiseksi, erityisesti uudelle tai niche-sisällölle.
3. A/B-testauksen kehys: Järjestelmän rakentaminen erilaisten suositusstrategioiden helppoon testaamiseen.

Jatkuvasti parantamalla suositusmoottoriamme autamme Momspressoa tuottamaan enemmän arvoa käyttäjilleen, pitäen heidät sitoutuneina ja palaamassa personoidun sisällön pariin.

Pysy kuulolla seuraavaa julkaisuamme varten, jossa keskustelemme siitä, miten käytämme tietoputkea ja suositusmoottoria johtaaksemme toimintakelpoisia oivalluksia Momspresso’n sisältöstrategiaan!