Content-Based рекомендації: реалізація на iOS та 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, +) } } 

Ембеддинги індексу оновлюються при запуску або за розкладом. Ми використовуємо попередньо обчислені вектори з сервера, що мінімізує навантаження на пристрій.

Ядро системи: TF-IDF та ембеддинги тексту

Для статей, описів, новин — два підходи: TF-IDF для швидкості, sentence embeddings для якості. Sentence embeddings забезпечують в 2 рази вищу якість рекомендацій порівняно з TF-IDF. На практиці використовуємо sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 — 278 МБ, підтримує українську/російську. Кожен елемент перетворюється у вектор 384 вимірів. Згідно з TF-IDF, частота слів та обернена частота документів дають просту, але ефективну міру релевантності.

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)) 

Профіль користувача — ковзне середнє

Профіль користувача — зважене середнє ембеддингів контенту, з яким він взаємодіяв. Нещодавні взаємодії важать більше (експоненційне затухання з коефіцієнтом 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) 

Структуровані метадані: не лише текст

Для каталогу товарів текстові ембеддинги доповнюються категоріальними ознаками: категорія, бренд, ціновий діапазон, колір. Фінальний вектор — конкатенація нормалізованого текстового ембеддингу та one-hot/ordinal ознак з вагами 0.7 і 0.3 відповідно:

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]) 

Порівняння підходів: Content-Based vs Collaborative

Як реалізувати on-device CB на Swift: покрокова інструкція

1. Індексація контенту. На сервері обчислюємо ембеддинги для кожного елемента за допомогою sentence-transformers. Зберігаємо в JSON-файл з полями id та embedding.
2. Завантаження індексу. При запуску додатка завантажуємо JSON в масив OnDeviceRecommender. Для прискорення можна використовувати бінарний формат.
3. Збір взаємодій. Кожного разу, коли користувач відкриває або лайкає контент, зберігаємо ембеддинг елемента в UserDefaults з міткою часу.
4. Оновлення профілю. При кожній взаємодії перераховуємо ковзне середнє з експоненційним затуханням.
5. Генерація рекомендацій. Викликаємо getRecommendations при показі стрічки або у фоні.

Що входить в роботу

Ми надаємо:

• Аналіз структури контенту та доступних метаданих
• Вибір оптимальної моделі ембеддингів під мову та домен
• Побудова індексу та механізму оновлення профілю
• Реалізація on-device або серверного рішення
• Інтеграція з існуючим бекендом
• Документація та навчання команди

Наш досвід: понад 10 років у мобільній розробці, 30+ проектів з AI-рекомендаціями. Гарантуємо підтримку після впровадження. Зв'яжіться з нами для оцінки вашого проекту — ми підберемо оптимальну архітектуру під ваш кейс. Замовте розробку рекомендаційної системи під ваш проект.

Орієнтири за термінами

Отримайте консультацію: розкажіть про свій контент та сценарії використання, і ми запропонуємо рішення.