Algorytmy rekomendacji treści mogą zostać zredefiniowane

Algorytmy rekomendacji treści są najważniejszym aspektem, na który twórcy aplikacji zwracają uwagę, aby zarabiać ze swoich użytkowników.

Krótkie treści video robią furorę od 2018 roku, w którym to TikTok połączył swoje siły wraz z aplikacją Musical.ly. Od tego momentu, pomimo że platforma na samym początku była kierowana głównie do nastolatków, którzy nagrywają jak tańczą lub śpiewają. Dziś pomimo zachowania aplikacji pod względem wizualnym to treści oraz grupy odbiorców, które znajdują się na aplikacji są najbardziej zróżnicowane w historii.

TikTok może się dziś pochwalić 1,6 miliarda aktywnych użytkowników miesięcznie, dzięki czemu stał się głównym kanałem dystrybucji treści w internecie. Jednak mimo ogromnej dojrzałości technologicznej tego sektora, według badaczy platformy nadal nie potrafią efektywnie dopasowywać filmów do widzów. Junyu Cao i Yan Leng z University of Texas McCombs wskazują, że rekomendacje w obecnym kształcie są zaskakująco nieefektywne. W serwisie NetEase Cloud Music aż 70% filmów nie zdobywa żadnego wyświetlenia dziennie, a 87% użytkowników nie wchodzi w interakcje z rekomendowanymi treściami. Taki poziom nietrafności oznacza poważne straty nie tylko dla twórców, ale i dla samej platformy, której celem jest maksymalizacja czasu oglądania.

Kluczowym problemem jest ograniczona ilość danych behawioralnych dla pojedynczych użytkowników. W przeciwieństwie do zakupów w sklepach internetowych, gdzie decyzje są stabilne i powtarzalne, preferencje wideo zmieniają się dynamicznie pod wpływem trendów, wydarzeń, sezonowości czy viralowych memów. Algorytmy tradycyjnie oparte na wcześniejszych aktywnościach nie potrafią przewidywać przyszłych zainteresowań, bo treści pojawiają się i znikają w tempie nieporównywalnym z innymi kategoriami produktów cyfrowych. To strukturalne wyzwanie powoduje, że platformy opierające się wyłącznie na indywidualnych danych użytkownika nie są w stanie wystarczająco dokładnie oszacować prawdopodobieństwa, że dana treść go zainteresuje.

.Badacze zaproponowali rozwiązanie Adaptive Acquisition Tree (AAT), które grupuje użytkowników i treści w sposób dynamiczny, stopniowo zwiększając precyzję dopasowania. Algorytm zaczyna od szerokich kategorii, takich jak wiek, lokalizacja czy rodzaj treści (np. taniec, edukacja, komedia), a następnie dostosowuje strukturę grup na podstawie informacji zwrotnych, mierzonych przede wszystkim czasem oglądania. W miarę gromadzenia danych model „dzieli” użytkowników na mniejsze, bardziej jednorodne grupy, co pozwala lepiej uczyć się zmiennych preferencji i w czasie rzeczywistym zwiększać trafność rekomendacji. Symulacje przeprowadzone na rzeczywistych danych NetEase z 2019 r. wykazały, że nowy model może zwiększyć czas oglądania w niektórych przypadkach nawet 2-krotnie w porównaniu z obecnie stosowanymi algorytmami.

Autorzy wskazują, że metoda AAT ma zastosowania znacznie szersze niż tylko treści wideo. Tego typu mechanizm może usprawniać wyszukiwarki, reklamy, systemy moderacji treści czy nawet platformy pracy online.

W każdym przypadku chodzi o to samo, czyli inteligentne pozyskiwanie danych, aby lepiej dopasować oferowane treści, zadania lub produkty do indywidualnych profili użytkowników. W erze algorytmów rywalizacja między platformami nie będzie toczyć się wyłącznie na polu liczby użytkowników, lecz przede wszystkim w zakresie jakości ich personalizacji i zaangażowania, które dani użytkownicy tworzą.

Szymon Ślubowski