Content-Based рекомендации: реализация на iOS и Android

class OnDeviceRecommender { private let userProfileKey = "user_embedding_v2" private var itemIndex: [(id: String, embedding: [Float])] = [] func loadItemIndex(from url: URL) { let data = try! Data(contentsOf: url) itemIndex = try! JSONDecoder().decode([(id: String, embedding: [Float])].self, from: data) } func getRecommendations(count: Int) -> [String] { guard let profileData = UserDefaults.standard.data(forKey: userProfileKey), let profile = try? JSONDecoder().decode([Float].self, from: profileData) else { return popularItemIds(count: count) } return itemIndex .map { item in (item.id, cosineSimilarity(profile, item.embedding)) } .sorted { $0.1 > $1.1 } .prefix(count) .map { $0.0 } } private func cosineSimilarity(_ a: [Float], _ b: [Float]) -> Float { zip(a, b).map(*).reduce(0, +) } } 

Эмбеддинги индекса обновляются при старте или по расписанию. Мы используем предвычисленные векторы с сервера, что минимизирует нагрузку на устройство.

Ядро системы: TF-IDF и эмбеддинги текста

Для статей, описаний, новостей — два подхода: TF-IDF для скорости, sentence embeddings для качества. На практике используем sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 — 278 МБ, поддерживает русский. Каждый айтем превращается в вектор 384 измерений. Согласно TF-IDF, частота слов и обратная частота документов дают простую, но эффективную меру релевантности.

from sentence_transformers import SentenceTransformer model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2') def embed_article(article: Article) -> np.ndarray: text = f"{article.title}. {article.description}. {' '.join(article.tags)}" return model.encode(text, normalize_embeddings=True) def similarity(v1: np.ndarray, v2: np.ndarray) -> float: return float(np.dot(v1, v2)) 

Профиль пользователя — скользящее среднее

Профиль пользователя — взвешенное среднее эмбеддингов контента, с которым он взаимодействовал. Недавние взаимодействия весят больше (экспоненциальное затухание с коэффициентом 0.9):

def update_user_profile(profile: np.ndarray, new_item_embedding: np.ndarray, interaction_weight: float, decay: float = 0.9) -> np.ndarray: updated = decay * profile + (1 - decay) * interaction_weight * new_item_embedding return updated / np.linalg.norm(updated) 

Структурированные метаданные: не только текст

Для каталога товаров текстовые эмбеддинги дополняются категориальными признаками: категория, бренд, ценовой диапазон, цвет. Финальный вектор — конкатенация нормализованного текстового эмбеддинга и one-hot/ordinal признаков с весами 0.7 и 0.3 соответственно:

def build_item_vector(item: Product) -> np.ndarray: text_emb = embed_text(f"{item.name} {item.description}") cat_features = encode_categorical({ 'category': item.category_id, 'brand': item.brand_id, 'price_range': bucket_price(item.price) }) return np.concatenate([text_emb * 0.7, cat_features * 0.3]) 

Сравнение подходов: Content-Based vs Collaborative

Как реализовать on-device CB на Swift: пошаговая инструкция

1. Индексация контента. На сервере вычисляем эмбеддинги для каждого айтема с помощью sentence-transformers. Сохраняем в JSON-файл с полями id и embedding.
2. Загрузка индекса. При запуске приложения загружаем JSON в массив OnDeviceRecommender. Для ускорения можно использовать бинарный формат.
3. Сбор взаимодействий. Каждый раз, когда пользователь открывает или лайкает контент, сохраняем эмбеддинг айтема в UserDefaults с меткой времени.
4. Обновление профиля. При каждом взаимодействии пересчитываем скользящее среднее с экспоненциальным затуханием.
5. Генерация рекомендаций. Вызываем getRecommendations при показе ленты или в фоне.

Что входит в работу

Мы предоставляем:

• Анализ структуры контента и доступных метаданных
• Выбор оптимальной модели эмбеддингов под язык и домен
• Построение индекса и механизма обновления профиля
• Реализация on-device или серверного решения
• Интеграция с существующим бэкендом
• Документация и обучение команды

Наш опыт: более 10 лет в мобильной разработке, 30+ проектов с AI-рекомендациями. Гарантируем поддержку после внедрения. Свяжитесь с нами для оценки вашего проекта — мы подберём оптимальную архитектуру под ваш кейс. Закажите разработку рекомендательной системы под ваш проект.

Ориентиры по срокам

Получите консультацию: расскажите о своём контенте и пользовательских сценариях, и мы предложим решение.