كيف تقترح خوارزميات التوصية الكتب التي ستحبها

اذهب إلى أي مكتبة. آلاف العناوين. هناك المئات من الأنواع، وقد يكون من الصعب البدء بها. وهذه هي مفارقة الاختيار: فالاختيارات الكثيرة تعمل على إبطاء عملية اتخاذ القرار، بدلاً من تيسيرها؛ يمكن لخوارزميات التوصية حل هذه المشكلة عن طريق تقليل عدد الخيارات التي يمكن للمستخدم تضييق نطاقها بناءً على سلوكه وتفضيلاته من بين عدد متزايد من الخيارات المتاحة التي يمكنه تصفيتها. إنهم يزيلون كل الضوضاء. إنهم يكتشفون ما يثير اهتمامك، ويأخذونك في الاتجاه الصحيح دون أن تنطق بكلمة واحدة!

ما هي خوارزمية التوصية، حقًا؟

إنها في الحقيقة مجرد أرقام. إنها مجرد أرقام في جوهرها. أنماط. العلاقات بين البيانات التي لن تراها بنفسك. تخيل أمين مكتبة واعيًا جدًا يقرأ جميع الكتب، ويتحدث مع جميع القراء، ويتذكر جميع المحادثات. ولكنها لا تنام أبدا، ولا تنسى أبدا، ويمكنها أن توفر احتياجات 50 مليون شخص في وقت واحد.

نهجان رئيسيان

هناك نوعان من أنظمة التوصية: أحدهما يعتمد على سلوك المستخدم، والآخر يعتمد على المحتوى، بناءً على تشابهه فيما يتعلق بالموضوعات والأنواع والأسلوب. من خلال تحقيق التوازن بين الاكتشاف والدقة، تجمع معظم المنصات بين الاثنين معًا.

التصفية التعاونية: أنت لست فريدًا كما تعتقد

هذه الطريقة تنظر إلى الأشخاص، وليس الكتب. إذا كنت أنت و10000 قارئ آخر قد أحببت “اسم الريح”، و8000 منهم أيضًا أحبوا “طريق الملوك”، فخمّن ما الذي ستوصي به بعد ذلك. بسيط. قوي. مقلق قليلا. وفقًا لشركة ماكينزي، فإن 35% من إجمالي إيرادات أمازون تأتي من محرك التوصيات الخاص بها. تعد التصفية التعاونية جزءًا مهمًا من هذا النظام.

التصفية على أساس المحتوى: الحمض النووي للكتاب

هنا، تقوم الخوارزميات بتحليل الكتاب نفسه. خطوة. نغمة. المواضيع. البنية السردية. على سبيل المثال، ربما تقرأ روايات مجانية عبر الإنترنت عن المافيا. منطقيا، قد تكون مهتما بمثل هذا الكتاب. يتم أيضًا أخذ عوامل إضافية في الاعتبار: من هي الشخصية الرئيسية، وما هو الإعداد، وما هي الفترة الزمنية، وما إلى ذلك. من المرجح أن يُعرض على محبي الروايات عبر الإنترنت الذين يقرؤون FictionMe روايات أخرى من هذا النوع. تقوم كل منصة بتقييم الاهتمامات بشكل مستقل.

سيقدم البعض روايات مجانية عبر الإنترنت تحتوي على حبكة مشابهة جدًا، وسيقدم البعض الآخر فكرة مختلفة إلى حد ما، ولكن بها أوجه تشابه. على الرغم من عدم وجود خوارزمية مثالية للتوصية بالروايات عبر الإنترنت، يمكن لبعض الخوارزميات اكتشاف أنماط في سلوك القراءة لدى القراء وتقديم روايات تتوافق جيدًا مع اهتمامات القارئ، مما يجعل الاكتشاف أكثر أهمية حتى في مواجهة محيط من الروايات.

كيف يؤثر Netflix وSpotify على تطبيقات الكتب

هناك نموذج جديد للتوصية بالمحتوى، وهو ما وضعته خدمات البث مثل Netflix وSpotify على مستوى التخصيص والاكتشاف. يتم استخدام نفس النماذج في تطبيقات الكتب للتوصية بالكتب البديهية، والتي يوصى بها بشكل طبيعي، ويتم تحديثها باستمرار وفقًا لسلوك المستخدم.

التعلم عبر الصناعة

يُقال إن محرك التوصيات الخاص بـ Netflix يوفر للشركة مليار دولار سنويًا عن طريق تقليل معدل تراجع عدد المشتركين. وتدرس منصات الكتب هذا النموذج بشكل مكثف. المنطق متطابق: حافظ على تفاعل المستخدمين، وقلل من التخلي عنهم، وخلق الولاء من خلال الملاءمة. تستخدم قائمة التشغيل “Discover Weekly” الخاصة بـ Spotify مزيجًا مشابهًا من التصفية التعاونية والتحليل الصوتي. تعمل تطبيقات Bookish على إنشاء نسختها الخاصة، وقوائم انتظار القراءة المخصصة التي تبدو نفسية تقريبًا.

مشكلة البداية الباردة

ماذا يحدث عندما تكون جديدا؟ لا توجد بيانات. لا يوجد تاريخ. لا توجد إشارات. وهذا ما يسمى مشكلة البداية الباردة، وهي صعبة حقًا. تحل معظم المنصات المشكلة عن طريق طرح بعض الأسئلة المستهدفة مقدمًا: الأنواع المفضلة والكتب التي أحببتها والمؤلفين الذين تتابعهم. يصبح الاستطلاع الصغير هو الأساس لملف توصيتك بالكامل.

البيانات وراء السحر

ما يبدو نشاطًا رائعًا وسهل الاكتشاف هو في الواقع تدفق مستمر من معلومات المستخدم وسلوكه ومشاركته. تُستخدم هذه المدخلات لتعزيز التوصيات بشكل أكبر، ويتم استخدام جميع التفاعلات كأساس لتوصيات أكثر تخصيصًا.

ما يتم تتبعه

كل نقرة مهمة. كل تصنيف النجوم. في كل مرة تقرأ 40% من كتاب ثم تتركه بهدوء. تقوم منصات مثل تطبيق FictionMe بجمع كميات مذهلة من البيانات السلوكية. اعتبارًا من عام 2023، كان لدى Goodreads أكثر من 150 مليون عضو وأكثر من 3.5 مليار كتاب على الرفوف. هذه مجموعة بيانات تدريب هائلة لأي خوارزمية.

الإشارات التي لا تعلم أنك ترسلها

هل قرأت هذا اللغز في يومين؟ لاحظ النظام. هل أضفت رواية رومانسية إلى رف “أريد قراءتها” ولم تلمسها أبدًا؟ وقد لوحظ ذلك أيضًا. الوقت الذي يقضيه في الصفحة، وإعادة القراءة، ومعدلات إكمال السلسلة، كل ذلك يغذي النموذج. الصمت هو البيانات.

لماذا التوصيات في بعض الأحيان ملكة جمال

قد تفشل التوصيات بسبب اعتمادها على أنماط لا تعكس التغيرات في التفضيلات أو النوايا. إذا كانت قاعدة المعلومات التي تستخدمها الخوارزمية صغيرة جدًا أو متكررة، فقد تلتزم الخوارزمية بالأنماط المعروفة بدلاً من معرفة التفضيلات الجديدة للمستخدم.

تأثير غرفة الصدى

لقد أحببت 12 لغزًا مريحًا. تمنحك الخوارزمية 40 لغزًا مريحًا آخر. تهانينا، أنت في فقاعة التصفية. يعمل النظام على تحسين المشاركة وليس الاكتشاف. تتوقف عن رؤية أي شيء غريب أو صعب أو غير متوقع بشكل رائع.

التحيز الشعبي

الخوارزميات تحب الكتب الأكثر مبيعًا. إنهم آمنون. الكثير من البيانات، والكثير من التحقق من الصحة. لكن هذا يعني دفن المؤلفين الجدد والأنواع المتخصصة. قد لا تظهر رواية أدبية مذهلة لأول مرة من مطبعة صغيرة أبدًا، وذلك ببساطة لأنها تفتقر إلى حجم التصنيف المطلوب تسجيله. وهذا قيد معروف ومناقشته على نطاق واسع في أبحاث نظام التوصية، والذي يمكن أن يؤثر بشكل كبير على جودة وتنوع توصيات الكتب التي يتلقاها القراء.

ما الذي يجعل محرك توصية الكتب رائعًا

تتميز الخوارزمية المثالية لتوصية الكتب بالدقة ولكنها أيضًا استكشافية، حيث تستفيد من إشارات البيانات لتحديد أذواق المستخدمين واهتماماتهم مع توفير التنوع أيضًا لتوسيع اهتمامات القراءة لدى المستخدمين. يكون أفضل عندما يتطور ويتكيف مع السلوك المتغير ولا يقيد المحتوى بشكل مفرط ليناسب المستخدمين.

التنوع حسب التصميم

أفضل الأنظمة تضخ العشوائية عمدا. وليس الفوضى محسوب الصدفة. تقوم Amazon وGoodreads وStoryGraph بتجربة تقديم الكتب خارج منطقة الراحة الخاصة بك قليلًا. الهدف هو توسيع ذوقك، وليس مجرد عكسه. تم تصميم StoryGraph خصيصًا للقراء ويتيح لك تتبع الحالة المزاجية وتفضيلات السرعة بطرق لم يفعلها Goodreads من قبل.

العلاج البشري لا يزال يفوز (في بعض الأحيان)

وجد استطلاع عام 2022 أن 79% من القراء ما زالوا يعتمدون على التوصيات الشخصية أكثر من التوصيات الخوارزمية. إنها ضربة كبيرة للمهندسين. يمكن للخوارزميات تحليل مئات الملايين من نقاط البيانات. لكنهم ما زالوا يجدون صعوبة في العثور على نفس الشعور عندما يقول أحد الأصدقاء: “عليك أن تقرأ هذا، لقد فكرت فيك على الفور. إنه شعور ذكي لم تتمكن أي عارضة أزياء من التعامل معه حقًا.

المستقبل: أذكى، غريب، أكثر شخصية

من المرجح أن تكون محركات التوصية التي تأتي في المستقبل قابلة للتكيف، ودقيقة، ومدركة للسياق، ولا تفهم السياق الذي تكمن فيه اهتمامات المستخدمين فحسب، بل تفهم السياق المتغير لتلك الاهتمامات. ستصبح محركات التوصية معقدة بشكل متزايد وستقدم توصيات شخصية أو حتى مفاجئة بشكل متزايد.

نماذج اللغات الكبيرة تدخل الغرفة

الذكاء الاصطناعي على غرار GPT يغير كل شيء. فبدلاً من مجرد مطابقة الأنماط، يمكن للأنظمة الجديدة أن تفهم فعليًا لماذا قد تحب كتابًا. يمكنهم معالجة الأوصاف الدقيقة، “شيء حزين ولكنه مفعم بالأمل، يقع في تاريخ بديل، مع حرق بطيء”، ويعود بنتائج دقيقة بشكل مخيف. هذه قفزة نوعية من الخوارزميات التقليدية.

التوصيات العاطفية والمزاجية

بدأت المنصات تتساءل: “كيف تشعر؟ الآن؟ وشدد؟ وهنا شيء خفيف ومضحك. الحزن؟ إليك الكتب التي تجلس بهدوء بجانبك. هذه الطبقة العاطفية جديدة وتجريبية وفعالة بشكل مدهش. فهو يتعامل مع القراءة على حقيقتها، وليست مجرد هواية، بل كشكل من أشكال التنظيم العاطفي.

القوة الهادئة لتوصيات الكتب الرقمية

خوارزميات التوصية غير كاملة. إنها تحمل تحيزات ونقاط عمياء وميلًا لإبقاء المستخدمين ضمن الأنماط المألوفة بدلاً من دفع الاكتشاف في اتجاهات غير متوقعة مع العديد من الأشياء الأخرى التي يجب القيام بها. ومع ذلك، عندما يقومون بعملهم بشكل جيد، فإنهم يجعلون القراء يكتشفون كتابًا لم يكونوا ليجدوه بمفردهم، أو أنهم سوف يقرؤونه جيدًا في الليل ويستمتعون به، مما سيجعلهم يشعرون بالتواصل، أو من شأنه أن يجعل التوصية غير الشخصية تبدو وكأنها توصية شخصية.