Как эмбеддинги помогают в создании персонализированных рекомендаций для пользователей?

Эмбеддинги помогают в создании персонализированных рекомендаций для пользователей, позволяя выявлять сходства и различия между объектами в многомерном пространстве. dzen.ru

Некоторые способы, как это происходит:

• Пользователь и контент переводятся в числовые векторы. nplus1.ru Один пользователь — один вектор, одно видео — тоже вектор. nplus1.ru Чем ближе они друг к другу, тем выше вероятность, что человек захочет посмотреть это видео. nplus1.ru
• Эмбеддинг пользователя строится по активности. nplus1.ru Алгоритм смотрит, что человек лайкал, какие видео смотрел подряд, на каких роликах залипал дольше обычного, что комментировал, на какие каналы подписан. nplus1.ru
• Контент кодируется иначе. nplus1.ru Для видео система берёт заголовок, описание, категории, теги и даже обложку. nplus1.ru Учитываются метаданные: кто автор, сколько просмотров, в каких плейлистах ролик встречается. nplus1.ru
• Если вектор пользователя близок к вектору другого человека, система может предложить похожий контент. trends.rbc.ru Такой подход делает рекомендации гораздо точнее. trends.rbc.ru

Благодаря эмбеддингам нейросети способны находить связи между объектами, которые сложно задать вручную. trends.rbc.ru Например, рекомендательная система интернет-магазина может определить, что пользователи, интересующиеся «туристическими рюкзаками», часто покупают «походные фильтры для воды», — даже если эти товары не связаны напрямую в каталоге. trends.rbc.ru