コンテンツを推奨しない方法

メディアと通信するとき、 Relap.ioで私たちは多くの場合、誰もが信じている多くの誤解に遭遇します。 サイトには「Read Also」や「Hottest」などのブロックがあります。 一言で言えば、すべてが記事の結合を構成し、親愛なる読者のUXを補完しようとしています。 メディアがコンテンツの推奨事項を作成する際にどのような誤解を持っているかを説明し、それらを数字で追い払います。

タグで推奨

最大かつ最も人気のある誤解。 ほとんどの場合、メディアはタグに関する記事の最後に推奨事項を作成します。 これは、たとえば、Look At MeとRBCが行うことです。 タグ付きの素材があります：トラクター、プーチン、チーズ。 トラクター、プーチン、チーズに関するテキストが彼に表示されます。 一見、論理的です：



実生活での同様の推奨メカニズムは、このようになります。 食料品店に行きます。 そして、バターをバスケットに入れます。 コンサルタントが興奮して汗をかいて手のひらであなたに近づき、こう言います。 さらに5種類のクリーミーな村とヒマワリとヤギのバターを取ります。」 普通に起こる可能性のある最大値-車について何かを読んだ場合、彼らはあなたにトランスミッションを提供します。 そして、それはすでにロケット科学と見なされます。



しかし、タグで推奨できる状況があります。たとえば、製品レビューのあるWebサイト-人が似たような圧力鍋や電話のいくつかのレビューを読みたいと仮定することができます。 ただし、タグを付けるエディターを信頼するべきではありません。異なる人はテキストを異なる方法で認識します。複数のエディターがいる場合、多かれ少なかれ同じことを記述するタグの多様性は驚くべきものです。



マシンに依存して、テキストからキーワードを自動的に抽出することをお勧めします。 この場合、特定のテキストに重要な単語（およびより安定したフレーズ、コロケーション、しかしこれは少し異なるストーリー）のみを取得し、完全に異なるトピックに関する別の100万の記事に表示される可能性のある名前/商標のリストは取得しません。



キーワードをテキストから分離する最も簡単な（そして多くの場合非常に効果的な）方法は、 tf-idfとその多くのバリエーションを使用することです。



tf-idf- 期間頻度逆文書頻度 。 ドキュメントで使用される単語と頻度を調べ、コーパスでめったに見られない単語を重視します。 言い換えると、テキストに「sepulka」という単語が1回しか出現していなくても、たとえば「Shrovetide」という単語よりも重要なタグになる可能性がはるかに高くなります（sepulkariaの取引専用サイトをインデックスに登録する場合を除く）。

覚えていない人のために、住宅の逆周波数（ idf ）は次のように計算されます。







どこで -ケース自体（多くの文書 ）、および -期間。 一般に、リレーションの対数を取る必要はありません。単調な関数はすべて落ちます（Wikipediaでは、この式の多数の変形を見ることができます）。主なことは、過度の人気を「罰する」ことです。 ケースが十分に大きい場合は、対数を使用することは理にかなっています。

用語の頻度はさらに単純です：







どこで 文書内の用語の出現回数 、分母の合計は、単に文書内の単語の総数です。

重要度によって単語をランク付けするには、次の2つの数値を単純に乗算します。







体全体で逆の頻度が計算され、用語の頻度が分析したい文書に依存していることは簡単にわかります。 ロシア語の場合、テキスト内のすべての単語を辞書形式にするか、少なくとも補題化することは実際には必要ですが（実際には必要です）、これについては現時点では説明していません（興味のある人は、Porterアルゴリズムのプロセスに慣れることができます ）。



コーパスを計算し、値を降順にして各ドキュメントの単語をランク付けする場合 、その後の最初の数語は、ドキュメントの内容についてかなり適切なアイデアを提供します。 このような単語はタグとして使用できますが、既に述べたように、ニュースサイトでこれを行うべきではありません。最終的には、降雪による交通渋滞に関するニュースだけで十分です。 2012年に渋滞で高速道路xxxがどのようになっていたかを覚えておく必要はありません。

衝撃的な真実

世界はもう少し複雑です。 実際、すべては次のように機能します。ユーザーはサイトにアクセスし、ドル為替レート、新しいiPhoneのレビュー、パンダの写真を確認します。 したがって、すでにドルとiPhoneを見ていた別の人は、それがどんなに奇妙に聞こえても、パンダを見たいと思うでしょう。 これは、協調フィルタリングと呼ばれます。 コンテンツの読者の関心を最大限に高めるのに役立つユーザーとパターンのクラスターがあります。

試験結果



A / Bテストの結果によると、追加の設定なしでの協調フィルタリングは、選択されたタグよりも20〜30％多くのクリックをもたらします。 そしてこれは、誰もタグに基づいて「Read Also」ブロックを作成してはならないことを意味します。

協調フィルタリングは、ある程度tf-idfを使用して意味のある情報を分離するという考え方の継続ですが、単語の頻度ではなく、読者の異なる重みの「​​音声」を使用します。 音声とは、何らかのアクションを意味します：ページの表示、最後までスクロールする、何か他のもの-一連のイベントは、数学者の想像力とプログラマー（この壮大さをすべて考慮してコードを書く）の自由時間のみに依存します。



イベントの数を数えるだけでは間違っているので、再び投票の重みを計算します。 読者は評価を与えないので（さらに、村評議会の端で育ったベニテングタケに関する記事を読むことさえ知らないか、考えていないので、速報速報コードの読書設定に関する統計を収集するのに役立ちます）、「重要性」を決定する必要があります匿名でかなり限られた情報のみを使用して投票する。



読者の声の重要性は、否定的な兆候はあるものの、彼がどれだけ活発であるかによって異なります。ユーザーが一定期間（たとえば、12時間）に読む記事が多いほど、彼の声は安くなります。 音声の重みは、リソースで読み取られた記事の数の減少関数です。 さらに、トップを切り捨てるのは理にかなっています：同じサイトで1日に100件以上の記事を読んだ人は、このサイトの編集者、またはマニアやボットのいずれかであり、おそらく私たちは彼の推奨を必要としません。



重みは、たとえば次のように計算できます。







どこで 声の重み ユーザー このユーザーの投票数。 繰り返しますが、対数の使用を強制する人はいません-単調減少関数 厳密に言えば、投票数がゼロの読者も考慮に入れないでください（「反対」列は投票から削除されました）。 これに何か他のものを追加することができます：例えば、読んだ記事の数を数えるだけでなく、読んだ時間、与えられた成績（そのような情報が利用可能な場合）、その他も考慮に入れます。

同じセクションのコンテンツを推奨する

前の誤りの2番目の化身は、セクションごとに推奨事項をセグメント化することです。

バター部門のコンサルタントが「今日はバターだけを買う、そうそう、たくさんのバターを買うだろう」という言葉であなたを人質に連れて行くと想像してください。あなたはドアを開けて叫び、この店には決して戻りません。

試験結果



1つのグループのユーザーが推奨をセグメント化したことを示しました。ある人が「Society」セクションのニュースを読む-「Society」セクションの記事のみを推奨します。 別のグループは、サイト全体から推奨事項を受け取りました（クロスセグメントの推奨事項）。 セクションを除く推奨事項を含むウィジェットのCTRは2倍高く、拒否の割合は16％低く、サイトで費やされた時間は23％長くなりました。 読者を1つのセクションに限定することは意味がありません。 推奨事項を多様化します。

同じセグメント内での協調フィルタリングと自動タグ計算がより悪いことに気付くのは簡単です-サイトのコンテンツをセグメントに分割し、各セグメント内で推奨値を計算した後、より小さなサンプルで同じアプローチを使用します。 さらに、ユーザーアクティビティの歪んだ画像を取得します。



最終的に、ユーザーをランク付けするとき、私たちは、その人が1日に読んでいる天気についての記事の数ではなく、ネットワーク上でどれだけアクティブになっているかに興味があります。 さて、この場合、関心の相関関係を忘れることができます：あるセクションから別のセクションに移動する条件付き確率に興味がない（または、興味があるが、計算のための統計を収集しない）ため、セクションセルに推奨事項をロックしないでください。好きではありません。

人気をお勧めします

人気のあるニュースを推奨することは、誰もがすでに見た不要なニュースを推奨することです。 人気は、多くの人が見ているコンテンツです。 それが人気のある方法です。 サイトでこのようなブロックを作成するたびに、この申し出を覚えておいてください。 これは誰もが見たニュースです。

試験結果



A / Bテストでは、一般的なフィルタリングと共同フィルタリングを比較しました。 協調フィルタリングを使用したCTRウィジェットは7倍高くなります。 これは、アルゴリズムが非常に優れていることを意味するものではありません。 これは、サイトで人気のあるブロックが吸い込まれ、だれも必要としないことを意味します。 このサイトの人気ブロックはほとんどのメディアにとって必須のものであると理解していますが、この誤解に別れを告げる時が来ました。

人気のあるニュースがボタンアコーディオンに変わり、多くの人が今興味を持っているものをお勧めするのに時間がかかるのは悪い考えではありません。 読者の興味が薄れ始めたら、YouTubeで新鮮なジョークを見つけようとしているときに「ルービン」などしか表示されません。 この動画の再生回数は10億回に達しているため、非常に便利です。



ご想像のとおり、イベントの年齢の減少関数は、ユーザーが実行したアクションの数の減少関数がボットやマニアを取り除くのに役立ったのと同じように私たちを助けます。 確かに、視聴年齢の場合、各投票の重みははるかに速く減少するはずです。多くのユーザーがいて、午前中に1,000回再生されても、誰かが朝の交通渋滞について昼食を読みたいとは限りません。 ビューの対数への逆依存性は、1人のユーザーの投票を評価するときにうまく機能します。人気を判断するには、負の年齢の方が適切です。 どこで 声の重み 記事用 、 読み取りからの経過時間、および ある種の定数。 ニュースはに従ってランク付けする必要があります 頻繁に行うと、推奨事項の関連性が失われます。



最後の式を3秒以上見ると、重みの合計はそれほど重要ではなく、成長の速度が重要であると結論付けるのは簡単です。 したがって、ニュースを「メリットの全体性」に従ってランク付けするのではなく、これらのメリットの採用のスピードに従ってランク付けすることがさらに良いです。 実際、この速度を慎重に検討すると、投稿のウイルス性を予測し、他の宇宙的なことを行うことを学ぶことができます（ただし、この場合、ウイルス性はまだ予測されていないが、早期に検出されることに注意してください）。

制限時間を設定しないでください

6か月前にニュース出版物がニュースを推奨する理由を理解することは困難です。 このアプローチにより、次のようなワイルドな例が生まれます。



メディアは、ユーザーが以前にこのトピックで何が起こったかを知りたいと考えています。 いいえ、彼は望んでいません！ 彼は興味がなく、誰も興味がありません。

試験結果



ニュースメディアでのテスト中に、訪問者に推奨されるべきニュースに最適な年齢を見つけました。 3つのオプションがテストされました。発行日から72、48、24時間です。 テストサンプルは270万人の読者で、テストは1か月で実施されました。 私たちの同僚のほとんどは24時間に賭けています。なぜなら、ニュースはすぐに時代遅れになり、昨日のニュースは誰も読まないように思えたからです。 48時間で信じる人の数はやや少なかった。 どうやら、誰もがその日の関連ニュースを読む時間がないので、ほとんどの場合、昨日何かを見逃して追いつきたいからです。 誰も72時間で信じていません...はい、72時間は勝ちました。 この範囲では、ユーザーは最も興味深い資料を見つけ、そのようなニュースから収集されたブロックは、48時間以上4.2％、24時間以上10.9％クリック可能です。 これはおそらく、人々がメディアが生成する情報の全量を消費する時間がない（または単にしたくない）ためです。 したがって、昨日リリースされたニュースはまだ彼らに関連しています。 例外はニュース速報です。

根拠にならないように、たとえば100万のイベント（ページ遷移）などの比較的大きなサンプル（前の段落で説明したものよりも少ない）でのページアクセスの統計を見て、読んでいる記事の年齢を見てみましょう。



まず、サンプルに含まれる異なるページの数を見てください（すべてのイベントは1つの大きなニュースサイトで収集されます。次のことがわかります。

年齢（時間）	ページ数
0-24	719
24-48	841
48-72	581
72-96	368
96-120	238
120-144	73
144-168	85
168-192	147
192-216	141
216-240	110
> 240	8152
合計	11455

古いURLがたくさんあることは明らかですが、訪問したURLだけでなくトラフィックの分布を考慮する必要があることも明らかです。 訪問数を見てみましょう。

記事の年齢（時間）	イベント数
0-24	771 435
24-48	130 431
48-72	26,233
72-96	21 536
96-120	5,214
120-144	673
144-168	287
168-192	965
192-216	1 001
216-240	1,642
> 240	40 583
合計	1,000,000

予想どおり、トラフィックの90％以上は過去72時間に公開された記事からのものです。



これらは、すべてのメディアの5つの普遍的なルールです。 同時に、各サイトには独自の行動パターンがあります。 それらに応じて、アルゴリズムが構成されます。 同じ法律と禁止のセットは、私たちのサイトのいずれかのために策定することができます。



この記事があなたの編集スタッフの仕事とインターフェースの設計に役立ってくれたらとても嬉しいです。 あなたが私たちと一緒に実装したい質問、クレイジーな仮説やアイデアがある場合は、lab @ relap.ioに書いてください



当社の技術を使用し、読者を引き付け、一般的にサイト上のコンテンツの推奨事項を自動化する場合は、喜んでお手伝いします。 電子メールsupport@relap.io



質問してください。 コメントで回答します。