Personalizace a radení obsahu

Doporučovací systém

Recommender system vybírá a zoraďuje položky, které mají být užitečné pro konkrétního uživatele nebo situaci. Využívá interakce, vlastnosti obsahu, profil, kontext a někdy i pravidla. Produkční architektura často obsahuje generování kandidátů, scoring a reranking. Model může optimalizovat kliknutí, nákup, dlhodobou spokojnost nebo kombinovaný cíl. Chování systému ovlivňuje budoucí tréninková data, proto je třeba riadit cold start, expozičné zkreslení, popularitu, diverzitu, bezpečnost a experimentování.

Poslední odborná revize
7. srpna 2026
Odborný garant
Miroslav Schmiedt
ID
AI-GEO-R-07

Odborná definice

Odborná definice

Recommender system vybírá a zoraďuje položky, které mají být užitečné pro konkrétního uživatele nebo situaci. Využívá interakce, vlastnosti obsahu, profil, kontext a někdy i pravidla. Produkční architektura často obsahuje generování kandidátů, scoring a reranking. Model může optimalizovat kliknutí, nákup, dlhodobou spokojnost nebo kombinovaný cíl. Chování systému ovlivňuje budoucí tréninková data, proto je třeba riadit cold start, expozičné zkreslení, popularitu, diverzitu, bezpečnost a experimentování.

Srozumitelné vysvětlení

Srozumitelné vysvětlení

Doporučovací systém se nesnaží najít jednu univerzálne najlepšiu položku. Pro každého člověka skládá menší výběr z velkého katalógu. Nejprve rychle vybere kandidátů, potom odhadne jejich vhodnost a nakoniec může upravit pořadí kvůli rozmanitosti, čerstvosti nebo pravidlám platformy. Když však ukazuje pouze populárne položky, získává další kliknutí právě na ne a posilňuje vlastní rozhodnutí. Proto potřebuje kontrolované objavování nových možností a metriky dlhodobej hodnoty.

Časté otázky

Časté otázky

Co je cold start?

Nový uživatel nemá historii a nová položka nemá interakce. Pomáhají obsahové vlastnosti, onboardingové volby, kontext, popularita v segmente a opatrné exploration.

Jaký je rozdíl mezi collaborative a content-based přístupem?

Collaborative filtering využívá vzorce chování uživatelů a položek. Content-based model porovnává vlastnosti položky s preferenciami nebo históriou konkrétního uživatele.

Jak se doporučení hodnotí offline?

Používají se historické holdout data a rankingové metriky, například Recall@k nebo ndcg. Offline výsledek však nemusí predpovedat spokojnost ani chování v produkci.

Proč jsou potřebné online experimenty?

Doporučení mění to, co lidé uvidia, a tím i jejich reakce. A/B test ověří kauzální dopad na kliknutí, konverze, retenci nebo negativně signály.

Jak se řídí diverzita doporučení?

Reranking může penalizovat příliš podobné položky, omezit dominanci jedné kategorie nebo přidat novinku. Diverzita se má vyvažovat s relevancí a používatelským zámerom.

Související pojmy

Související pojmy

Zdroje a redakční stopa

Zdroje a redakční stopa

  • Google for Developers, Recommendation Systems course

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.