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