המלצות מבוססות תוכן: יישום ב-iOS וב-Android

class OnDeviceRecommender {
    private let userProfileKey = "user_embedding_v2"
    private var itemIndex: [(id: String, embedding: [Float])] = []

    func loadItemIndex(from url: URL) {
        let data = try! Data(contentsOf: url)
        itemIndex = try! JSONDecoder().decode([(id: String, embedding: [Float])].self, from: data)
    }

    func getRecommendations(count: Int) -> [String] {
        guard let profileData = UserDefaults.standard.data(forKey: userProfileKey),
              let profile = try? JSONDecoder().decode([Float].self, from: profileData) else {
            return popularItemIds(count: count)
        }
        return itemIndex
            .map { item in (item.id, cosineSimilarity(profile, item.embedding)) }
            .sorted { $0.1 > $1.1 }
            .prefix(count)
            .map { $0.0 }
    }

    private func cosineSimilarity(_ a: [Float], _ b: [Float]) -> Float {
        zip(a, b).map(*).reduce(0, +)
    }
}

ההטמעות באינדקס מתעדכנות בעת ההפעלה או לפי לוח זמנים. אנו משתמשים בוקטורים מחושבים מראש מהשרת, מה שממזער את העומס על המכשיר.

מערכת בסיסית: TF-IDF והטמעות טקסט

עבור מאמרים, תיאורים, חדשות — שתי גישות: TF-IDF למהירות, הטמעות משפטים לאיכות. בפועל אנו משתמשים ב-sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 — 278 MB, תומך ברוסית. כל פריט הופך לוקטור 384-ממדי. לפי TF-IDF, תדירות המילה ותדירות מסמך הפוכה מספקות מדד רלוונטיות פשוט אך יעיל.

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')

def embed_article(article: Article) -> np.ndarray:
    text = f"{article.title}. {article.description}. {' '.join(article.tags)}"
    return model.encode(text, normalize_embeddings=True)

def similarity(v1: np.ndarray, v2: np.ndarray) -> float:
    return float(np.dot(v1, v2))

פרופיל משתמש — ממוצע נע

פרופיל המשתמש הוא ממוצע משוקלל של הטמעות התוכן שאיתו הוא קיים אינטראקציה. אינטראקציות אחרונות שוקלות יותר (דעיכה אקספוננציאלית עם מקדם 0.9):

def update_user_profile(profile: np.ndarray, new_item_embedding: np.ndarray, interaction_weight: float, decay: float = 0.9) -> np.ndarray:
    updated = decay * profile + (1 - decay) * interaction_weight * new_item_embedding
    return updated / np.linalg.norm(updated)

מטא-דאטה מובנה: לא רק טקסט

עבור קטלוגי מוצרים, הטמעות טקסט מתווספות עם מאפיינים קטגוריאליים: קטגוריה, מותג, טווח מחירים, צבע. הוקטור הסופי הוא שרשור של הטמעת טקסט מנורמלת ומאפיינים one-hot/סידוריים עם משקלים 0.7 ו-0.3 בהתאמה:

def build_item_vector(item: Product) -> np.ndarray:
    text_emb = embed_text(f"{item.name} {item.description}")
    cat_features = encode_categorical({
        'category': item.category_id,
        'brand': item.brand_id,
        'price_range': bucket_price(item.price)
    })
    return np.concatenate([text_emb * 0.7, cat_features * 0.3])

השוואה: גישה מבוססת תוכן מול סינון שיתופי

כיצד ליישם CB על המכשיר ב-Swift: שלב אחר שלב

1. אינדוקס תוכן. בשרת, חשבו הטמעות עבור כל פריט באמצעות sentence-transformers. שמרו בקובץ JSON עם שדות id ו-embedding.
2. טעינת אינדקס. בעת הפעלת האפליקציה, טענו את ה-JSON למערך OnDeviceRecommender. למהירות, השתמשו בפורמט בינארי.
3. איסוף אינטראקציות. בכל פעם שמשתמש פותח או אוהב תוכן, שמרו את הטמעת הפריט ב-UserDefaults עם חותמת זמן.
4. עדכון פרופיל. בכל אינטראקציה, חשבו מחדש את הממוצע הנע עם דעיכה אקספוננציאלית.
5. יצירת המלצות. קראו ל-getRecommendations בעת הצגת הפיד או ברקע.

מה כוללת העבודה

אנו מספקים:

• ניתוח מבנה התוכן והמטא-דאטה הזמינים
• בחירת מודל הטמעות אופטימלי לשפה ולתחום
• בניית אינדקס ומנגנון עדכון פרופיל
• יישום הפתרון על המכשיר או על השרת
• אינטגרציה עם הקצה האחורי הקיים
• תיעוד והדרכת צוות

הניסיון שלנו: למעלה מ-10 שנים בפיתוח מובייל, 30+ פרויקטים עם המלצות AI. תמיכה מובטחת לאחר היישום. צרו קשר להערכת פרויקט — נתאים ארכיטקטורה אופטימלית למקרה שלכם. הזמינו פיתוח מערכת המלצות לפרויקט שלכם.

הערכת לוחות זמנים

קבלו ייעוץ: ספרו לנו על התוכן שלכם ותרחישי המשתמשים, ואנו נציע פתרון.