המלצות תוכן מבוססות AI: מעקב, התאמה אישית ובדיקות A/B

משתמש מגיע לאתר שלך, רואה רשימה גנרית של מאמרים, ועוזב תוך 10 שניות. התוכן לא רלוונטי; העניין אובד. נתקלנו בעשרות פרויקטים כאלה: תוכן קיים אבל המעורבות נמוכה. המלצות AI פותרות את זה—הן מנתחות התנהגות ומספקות תוכן מותאם אישית. הניסיון שלנו: מעל 20 פרויקטים בנישה זו, עם הבטחה לעלייה של לפחות 30% בעומק הצפייה בדף. היישום מתבצע ללא פגיעה בביצועים, עם בדיקות A/B בכל שלב.

למה המלצות AI מגדילות את עומק הצפייה בדף

התאמה אישית משפיעה ישירות על מדדים. גישות מבוססות תוכן מגבירות מעורבות ב-20–40%, סינון שיתופי ב-50–70%, ומערכות היברידיות עד 80%. אנו משתמשים בבדיקות A/B כדי למצוא את האלגוריתם האופטימלי לאתר שלך. השיפור הסופי תלוי באיכות הנתונים ובמודל הנבחר.

איך להגדיר מעקב אירועים ללא פגיעה בביצועים

נתונים התנהגותיים הם הבסיס לכל המלצה. אנו מיישמים טראקר בצד הלקוח ששולח אירועים באמצעות sendBeacon. זה לא חוסם רינדור ולא משפיע על Core Web Vitals. אנו מנתחים צפיות, גלילות, זמן קריאה. כל הנתונים מאוגדים ב-PostgreSQL ומשמשים לאימון מודלים. המעקב ניתן להגדרה עם סינון גמיש—אנו אוספים רק את האותות הדרושים, ומונעים רעש.

השוואת גישות להמלצות

מבוססת תוכן: התחלה מהירה עם Embeddings

הדרך המהירה ביותר לקבל המלצות רלוונטיות היא למצוא מאמרים דומים לפי מרחק וקטורי. אנו משתמשים במודל text-embedding-3-small של OpenAI ליצירת embeddings. האינדוקס מתבצע בעת הפרסום, והחיפוש נעשה באמצעות pgvector. דמיון קוסינוס בין וקטורים נותן מדד דמיון. הדיוק הוא 85-90% על קבוצות בדיקה.

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;
}

סינון שיתופי: כשהנתונים בשפע

פירוק מטריצות באמצעות משוב מרומז (צפיות, זמן בדף). אנו משתמשים בספריית implicit עם האלגוריתם AlternatingLeastSquares. המודל מאומן בצד השרת ונשמר לתחזיות מהירות. תדירות האימון היא פעם ביום.

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)

מערכת היברידית: הטוב משני העולמות

אנו משלבים אותות מבוססי תוכן, שיתופיים וטרנדיים עם משקלים. מבוססת תוכן מהירה יותר, אבל היברידית מניבה 20% יותר קליקים. דוגמת יישום עם משקלים 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);
}

המלצות LLM עם הסברים

לאוספים מותאמים אישית עם נימוקים מובנים, אנו משתמשים ב-GPT-4o-mini. משתמשים רואים לא רק את ההמלצה אלא גם את הסיבה: 'כי קראת על React'. זה מגביר אמון ושיעור קליקים ב-25%.

מה כלול

כל שלב ביישום מסתיים עם מסירת ארטיפקטים. החבילה הסופית כוללת:

• סכימת מעקב וטראקר מוגדר בצד הלקוח
• API להמלצות עם תיעוד (OpenAPI)
• מדדים ולוח בקרה לבדיקות A/B (Grafana/Tableau)
• גישה למודל ולמאגר הקוד
• הדרכת צוות והוראות טקסט
• אחריות תמיכה ל-30 יום לאחר הפריסה

אנחנו לא רק פורסים קוד—אנחנו מוסרים לך כלי שתוכל להתאים אישית בעצמך.

שלבי היישום

לוחות זמנים ועלות

לוחות הזמנים נעים בין 3 ימים לפתרון pgvector בסיסי ועד 3 שבועות למערכת היברידית מלאה עם LLM. העלות מחושבת באופן אישי לאחר ביקורת. אנו מבטיחים תוצאות חוזית. בקש יישום המלצות AI וקבל צמיחה במעורבות. צור קשר לייעוץ—נעריך את הפרויקט שלך ונציע פתרון אופטימלי.

pgvector