AI-рекомендации контента: трекинг, персонализация и A/B тесты

Пользователь заходит на сайт, видит общий список статей и уходит через 10 секунд. Контент не релевантен, интерес теряется. Мы сталкивались с десятками таких проектов: контент есть, а вовлечённость низкая. AI-рекомендации решают эту проблему — они анализируют поведение и подбирают персонализированный контент. Наш опыт — более 20 проектов в этой нише, гарантируем увеличение глубины просмотра минимум на 30%. Внедрение проходит без просадки производительности и с A/B-тестированием каждого этапа.

Почему AI-рекомендации увеличивают глубину просмотра?

Персонализация напрямую влияет на метрики. Content-based подход увеличивает вовлечённость на 20–40%, коллаборативная фильтрация — на 50–70%, гибридные системы — до 80%. Мы используем A/B тестирование, чтобы подобрать оптимальный алгоритм под ваш сайт. Итоговый прирост зависит от качества данных и выбранной модели.

Как организовать трекинг событий без потери производительности?

Данные о поведении — основа для любой рекомендации. Мы внедряем клиентский трекер, который отправляет события через sendBeacon. Это не блокирует рендеринг и не влияет на Core Web Vitals. Анализируем просмотры, скроллы, время чтения. Все данные агрегируются в PostgreSQL и используются для обучения моделей. Трекинг настраивается с возможностью гибкой фильтрации — собираем только нужные сигналы, избегая шума.

Сравнение подходов к рекомендациям

Content-based: быстрый старт с эмбеддингами

Самый быстрый способ получить релевантные рекомендации — находить похожие статьи по векторному расстоянию. Мы используем модель text-embedding-3-small от OpenAI для создания эмбеддингов. Индексация происходит при публикации, а поиск — через pgvector. Cosine similarity между векторами даёт метрику похожести. Точность — 85-90% на тестовых выборках.

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;
}

Коллаборативная фильтрация: когда данных много

Матричная факторизация через implicit feedback (просмотры, время на странице). Мы используем библиотеку implicit с алгоритмом AlternatingLeastSquares. Модель обучается на сервере и сохраняется для быстрых предсказаний. Периодичность обучения — раз в сутки.

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)

Гибридная система: взять лучшее от обоих миров

Объединяем content-based, коллаборативные и трендовые сигналы с весами. Content-based быстрее, но гибрид даёт на 20% больше кликов. Пример реализации с весами 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-рекомендации с объяснением

Для персонализированных подборок с понятным обоснованием используем GPT-4o-mini. Пользователь видит не только рекомендацию, но и причину: «Потому что вы читали о React». Это повышает доверие и кликабельность на 25%.

Что входит в работу

Каждый этап внедрения завершается сдачей артефактов. В финальный пакет входят:

• Схема трекинга и настроенный клиентский трекер
• API для рекомендаций с документацией (OpenAPI)
• Дашборд метрик и A/B-тестов (Grafana/Tableau)
• Доступ к модели и репозиторию с кодом
• Обучение команды и текстовые инструкции
• Гарантия поддержки в течение 30 дней после деплоя

Мы не просто ставим код — мы передаём инструмент, который вы сможете самостоятельно дорабатывать.

Этапы внедрения

Сроки и стоимость

Сроки — от 3 дней для базового решения на pgvector до 3 недель для полной гибридной системы с LLM. Стоимость рассчитывается индивидуально после аудита. Мы гарантируем результат, прописанный в договоре. Закажите внедрение AI-рекомендаций и получите рост вовлечённости. Свяжитесь с нами для консультации — оценим ваш проект и предложим оптимальное решение.

pgvector