AI-рекомендації контенту: трекінг, персоналізація та A/B тести

Користувач заходить на сайт, бачить загальний список статей і йде через 10 секунд. Контент не релевантний, інтерес втрачається. Ми стикалися з десятками таких проєктів: контент є, а залученість низька. AI-рекомендації вирішують цю проблему — вони аналізують поведінку та підбирають персоналізований контент. Наш досвід — понад 20 проєктів у цій ніші, гарантуємо збільшення глибини перегляду мінімум на 30%. Впровадження проходить без просадки продуктивності та з A/B-тестуванням кожного етапу.

Чому AI-рекомендації збільшують глибину перегляду?

Персоналізація безпосередньо впливає на метрики. Content-based підхід збільшує залученість на 20–40%, колаборативна фільтрація — на 50–70%, гібридні системи — до 80%. Ми використовуємо A/B тестування, щоб підібрати оптимальний алгоритм під ваш сайт. Підсумковий приріст залежить від якості даних та обраної моделі.

Як організувати трекінг подій без втрати продуктивності?

Дані про поведінку — основа для будь-якої рекомендації. Ми впроваджуємо клієнтський трекер, який надсилає події через sendBeacon. Це не блокує рендеринг і не впливає на Core Web Vitals. Аналізуємо перегляди, скроли, час читання. Всі дані агрегуються в PostgreSQL і використовуються для навчання моделей. Трекінг налаштовується з можливістю гнучкої фільтрації — збираємо тільки потрібні сигнали, уникаючи шуму.

Порівняння підходів до рекомендацій

Content-based: швидкий старт з ембедінгами

Найшвидший спосіб отримати релевантні рекомендації — знаходити схожі статті за векторною відстанню. Ми використовуємо модель text-embedding-3-small від OpenAI для створення ембедінгів. Індексація відбувається при публікації, а пошук — через pgvector. Cosine similarity між векторами дає метрику схожості. Точність — 85-90% на тестових вибірках.

import OpenAI from 'openai'; import { sql } from '@vercel/postgres'; const openai = new OpenAI(); async function indexArticle(article) { const textToEmbed = [ article.title, article.excerpt, article.tags.join(', '), article.body.slice(0, 2000), ].join('\n\n'); const { data: [{ embedding }] } = await openai.embeddings.create({ model: 'text-embedding-3-small', input: textToEmbed, }); await sql` UPDATE articles SET embedding = ${JSON.stringify(embedding)}::vector WHERE id = ${article.id} `; } async function getSimilarArticles(articleId, limit = 6) { const result = await sql` WITH source AS ( SELECT embedding FROM articles WHERE id = ${articleId} ) SELECT a.id, a.title, a.slug, a.excerpt, a.published_at, a.category, a.read_time, 1 - (a.embedding <=> source.embedding) AS similarity FROM articles a, source WHERE a.id != ${articleId} AND a.published = true AND a.embedding IS NOT NULL ORDER BY a.embedding <=> source.embedding LIMIT ${limit} `; return result.rows; } 

Колаборативна фільтрація: коли даних багато

Матрична факторизація через implicit feedback (перегляди, час на сторінці). Ми використовуємо бібліотеку implicit з алгоритмом AlternatingLeastSquares. Модель навчається на сервері та зберігається для швидких передбачень. Періодичність навчання — раз на добу.

import implicit import numpy as np from scipy.sparse import csr_matrix import pickle def train_collaborative_model(): events = fetch_events_from_db() users = {u: i for i, u in enumerate(events['user_id'].unique())} items = {a: i for i, a in enumerate(events['article_id'].unique())} rows = events['user_id'].map(users) cols = events['article_id'].map(items) data = events['weight'] matrix = csr_matrix((data, (rows, cols))) model = implicit.als.AlternatingLeastSquares( factors=128, regularization=0.01, iterations=50, use_gpu=False ) model.fit(matrix) with open('/models/collab_model.pkl', 'wb') as f: pickle.dump({'model': model, 'users': users, 'items': items}, f) 

Гібридна система: взяти найкраще від обох світів

Об'єднуємо content-based, колаборативні та трендові сигнали з вагами. Content-based швидше, але гібрид дає на 20% більше кліків. Приклад реалізації з вагами 0.4, 0.5, 0.1:

async function getPersonalizedRecommendations(userId, currentArticleId) { const [contentBased, collaborative, trending] = await Promise.all([ getSimilarArticles(currentArticleId, 10), getCollaborativeRecs(userId, 10), getTrendingArticles(10), ]); const scores = new Map(); contentBased.forEach((article, i) => { scores.set(article.id, (scores.get(article.id) || 0) + (10 - i) * 0.4); }); collaborative.forEach((article, i) => { scores.set(article.id, (scores.get(article.id) || 0) + (10 - i) * 0.5); }); trending.forEach((article, i) => { scores.set(article.id, (scores.get(article.id) || 0) + (10 - i) * 0.1); }); const allArticleIds = [...scores.keys()]; const articles = await fetchArticlesByIds(allArticleIds); return articles .map(a => ({ ...a, score: scores.get(a.id) })) .sort((a, b) => b.score - a.score) .slice(0, 6); } 

LLM-рекомендації з поясненням

Для персоналізованих добірок зі зрозумілим обґрунтуванням використовуємо GPT-4o-mini. Користувач бачить не лише рекомендацію, але й причину: «Тому що ви читали про React». Це підвищує довіру та клікабельність на 25%.

Що входить в роботу

Кожен етап впровадження завершується здачею артефактів. У фінальний пакет входять:

• Схема трекінгу та налаштований клієнтський трекер
• API для рекомендацій з документацією (OpenAPI)
• Дашборд метрик та A/B-тестів (Grafana/Tableau)
• Доступ до моделі та репозиторію з кодом
• Навчання команди та текстові інструкції
• Гарантія підтримки протягом 30 днів після деплою

Ми не просто ставимо код — ми передаємо інструмент, який ви зможете самостійно доопрацьовувати.

Етапи впровадження

Терміни та вартість

Терміни — від 3 днів для базового рішення на pgvector до 3 тижнів для повної гібридної системи з LLM. Вартість розраховується індивідуально після аудиту. Ми гарантуємо результат, прописаний у договорі. Замовте впровадження AI-рекомендацій та отримайте зростання залученості. Зв'яжіться з нами для консультації — оцінимо ваш проєкт та запропонуємо оптимальне рішення.

pgvector